亚马逊云科技推出 SageMaker AI「Training Sessions」
开发者可用代码定义训练与评估流程，GPU 分配、分布式训练和故障恢复由亚马逊云科技负责，按处理 token 计费。
亚马逊云计算服务（AWS）于当地时间 10 月 22 日正式在 Amazon SageMaker AI 中推出「Training Sessions」功能。据 aitimes.com 报道，该功能允许开发者用代码定义训练流程和评估标准，而由 AWS 负责 GPU 分配、分布式训练、故障恢复和检查点保存。
开发者可以自定义 AI 生成答案、评估结果和更新模型的方式，支持自定义奖励函数和多步训练。AWS 以 Group Relative Policy Optimization（GRPO）为例：评估函数为多个答案打分，模型依据相对分数进行更新。可定制的范围从 LoRA 到全参数微调。
支持的模型包括 GPT-OSS-20B、Gemma-4-31B-it、Qwen3.6-27B 和 Qwen3.8-27B。该功能可通过 SageMaker Studio 或 Python SDK 使用。
计费与数据存储
定价按处理的 token 计算，而非预留 GPU 时间；当开发者编写的评估代码审查结果时，计费暂停。客户训练数据和模型检查点存放在客户所选区域的 Amazon S3 中，客户数据不会被用于训练其他模型。
AWS 未披露精度提升或每位客户训练总成本的具体数字。首批使用者中，ImagineSoftware 构建了用于分类医疗理赔拒付的模型，Karini AI 则针对与 Amazon Neptune 知识图谱交互的智能体定制了 GPT-OSS-20B。
此前在 2025 年 12 月，AWS 曾推出无服务器模型定制功能，降低了基础设施管理负担，但对训练过程的精细控制有限。
快速问答
Training Sessions 支持哪些模型？
支持 GPT-OSS-20B、Gemma-4-31B-it、Qwen3.6-27B 和 Qwen3.8-27B。
Training Sessions 如何计费？
按处理的 token 计费，而非预留 GPU 时间；开发者编写的评估代码审查结果时计费暂停。
如何访问该功能？
可通过 SageMaker Studio 或 Python SDK 使用。