SageMaker AI 训练会话正式可用
先了解这件事
AWS 宣布 Amazon SageMaker AI 的训练会话（training sessions）正式可用。开发者可用 forward_backward()、optim_step()、sample() 等 API 自行编排 SFT、偏好优化、RLVR、RLAIF 和多轮 RL 训练循环，并自定义损失函数与奖励信号；GPU 分配、分布式执行、梯度同步、故障恢复和 checkpoint 存储由平台托管，可选 LoRA 或全量微调。 计费按 SageMaker AI 处理的 token 计，AWS 称奖励函数在本地评分批次期间不计费，也无需预留容量。运行中的会话会占用并发会话配额，直到调用 stop() 或会话过期。 该功能目前支持 gpt-oss-20b、gemma-4-31B-it、Qwen3.6-27B 和 Qwen3.8-27B，各模型可用区域见文档；使用需在 Linux 或 macOS 上安装 SageMaker Python SDK（Python 3.10 至 3.12）。
AI 根据报道生成 · 1 小时前更新
报道时间线
沿着报道，了解事件的不同侧面。
- AWS Machine Learning BlogAWS 发布 SageMaker AI 训练会话，无需管理 GPU 即可自定义模型
AWS 宣布 SageMaker AI 训练会话正式可用，用户可自行编写并协调训练循环，包括自定义损失函数和奖励信号，GPU 分配、分布式执行、故障恢复与 checkpoint 存储由平台托管。该功能支持 SFT、DPO、RLVR、RLAIF 和多轮 RL，并可选 LoRA 或全量微调；按处理的 token 计费，评分阶段不计费，且无需预留容量。
- AWS Machine Learning Blog用 Amazon SageMaker 训练会话 API 编写自己的训练循环，无需管理 GPU
Amazon SageMaker AI 的训练会话 API 让开发者用 forward_backward()、optim_step()、sample() 等 API 调用自行编排 SFT、偏好优化或 RL 训练循环，模型在 GPU 上保持加载，服务负责分布式执行、梯度同步与故障恢复。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。