Amazon SageMaker AI prend désormais en charge la personnalisation des modèles sans serveur pour les modèles Muse Glimmer, Qwen 3.8 et Ministral 3
Amazon SageMaker AI prend désormais en charge la personnalisation des modèles sans serveur pour les modèles Muse Glimmer, Qwen3.8 27B et Ministral 3 3B, 8B et 14B. Outre le déploiement de ces modèles sur SageMaker AI, vous pouvez désormais les adapter à vos domaines et flux de travail spécifiques, en utilisant des techniques de peaufinage supervisé (SFT), d’optimisation des préférences directes (DPO) et de peaufinage par renforcement (RFT). Vous pouvez également adapter ces modèles à l’aide de techniques d’adaptation de bas rang (LoRA) ou de peaufinage complet. Ce lancement ajoute ces modèles à une grande variété de modèles disponibles pour la personnalisation sans serveur sur SageMaker AI, notamment des modèles des familles Nova, Gemma 4, Nemotron 3.5, Qwen, Llama, gpt-oss et DeepSeek.
La personnalisation des modèles vous permet d’adapter les modèles de fondation à vos données exclusives afin qu’un modèle plus petit et de bonne taille puisse correspondre à la qualité du modèle frontière pour vos tâches, tout en réduisant les coûts et la latence. Vous pouvez utiliser des données étiquetées avec SFT pour améliorer la précision des tâches spécifiques à un domaine, des données de préférence avec DPO pour aligner les résultats sur le ton de votre organisation, ou des signaux de récompense avec RFT pour améliorer les performances sur de nouvelles tâches. Grâce à la personnalisation sans serveur, SageMaker AI gère l’ensemble du provisionnement de l’infrastructure et de l’orchestration de la formation, afin que vous puissiez vous concentrer sur vos données et leur évaluation plutôt que sur la gestion des clusters, et ne payer que pour ce que vous utilisez.
La personnalisation du modèle sans serveur sur SageMaker AI est disponible dans les Régions USA Est (Virginie du Nord), USA Ouest (Oregon), Asie-Pacifique (Tokyo) et Europe (Irlande). Pour commencer, rendez-vous sur la page Modèles d’Amazon SageMaker Studio pour lancer une tâche de personnalisation, utilisez le kit SDK Python SageMaker, ou utilisez nos compétences d’agent avec l’assistant de codage de votre choix. Pour en savoir plus et consulter la liste complète des modèles pris en charge, consultez la documentation relative à la personnalisation des modèles Amazon SageMaker AI.