Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
# Eingeschränkte Modellpakete
## Was ist ein eingeschränktes Modellpaket?
Ein Restricted Model Package (RMP) ist ein SageMaker KI-Modellpaket, das proprietäre Modellartefakte in einem sicheren, serviceverwalteten Speicher verpackt, auf den Kunden nicht direkt zugreifen können. Mit RMPs können Sie die Verwendung dieser Modelle mithilfe von IAM-Richtlinien autorisieren und kontrollieren, ohne direkten Zugriff auf die zugrunde liegenden Artefakte zu gewähren. Modelldaten können nicht direkt heruntergeladen, exportiert oder angezeigt werden. Es kann nur innerhalb autorisierter AWS-Services verwendet werden. RMPs können nur von vertrauenswürdigen SageMaker KI-Plattformprinzipalen erstellt werden und existieren in Modellpaketgruppen, die mit gekennzeichnet sind. `StorageType: "Restricted"`
RMPs werden heute im Rahmen von Multi-Turn Reinforcement-Learning-Schulungen (MTRL) im Rahmen von Training Jobs Serverless erstellt. SageMaker Sobald ein RMP vorhanden ist, können Sie seinen ARN verwenden, um das zugrunde liegende Modell zu evaluieren. Die Verwendung eines RMP als Eingabe für eine nachfolgende Trainingsaufgabe — beispielsweise zur Verkettung von MTRL-Läufen in einen iterativen Trainingsablauf — ist für das dritte Quartal 2026 geplant.
RMPs unterscheiden sich von standardmäßigen SageMaker KI-Modellpaketen darin, dass die zugrunde liegenden Modellartefakte jederzeit in einem sicheren, vom Service verwalteten Speicher verbleiben. Kunden interagieren mit dem Modell über seinen ARN, anstatt direkt auf die Checkpoint-Dateien in Amazon S3 zuzugreifen.
## Unterstützte Anwendungsfälle
Die folgende Tabelle fasst zusammen, welche RMP-Anwendungsfälle heute verfügbar sind und welche für future Versionen geplant sind.
| Anwendungsfall | Verfügbarkeit |
| --- | --- |
| Trainingsergebnis — Sie erhalten ein RMP als trainiertes Modellartefakt aus einem MTRL-Trainingsjob | Allgemein verfügbar |
| Eingaben zur Evaluierung — verweisen Sie auf ein RMP als das zu evaluierende Modell | Allgemein verfügbar |
| Trainingsinput — Verwenden Sie ein RMP als Quellmodell für eine nachfolgende Trainingsaufgabe (z. B. iterative MTRL-Workflows) | 3. QUARTAL 2026 |
## Ergebnisse des MTRL-Trainings
Wenn Sie ein Modell mithilfe von Multi-Turn Reinforcement Learning (MTRL) auf SageMaker Training Jobs Serverless trainieren, wird die Trainingsausgabe als RMP und nicht als Amazon S3 S3-Checkpoint-Pfad bereitgestellt. Das Ausgabe-RMP wird automatisch erstellt und in der Model Package Group registriert, die Sie bei der Konfiguration des Runtime Managers angeben. Sie erstellen RMPs nicht direkt — sie werden von der Plattform als Ergebnisse von Trainingsaufgaben erstellt.
Der `model_package_group_name` Parameter ist erforderlich, wenn MTRL auf SageMaker Training Jobs Serverless ausgeführt wird. Sie müssen eine vorhandene Modellpaketgruppe angeben`StorageType: "Restricted"`, bei der das Ausgabe-RMP registriert wird. Ohne diesen Parameter schlägt der Trainingsjob fehl. Konfigurieren Sie die Laufzeit mit a`model_package_group_name`, um die Trainingsausgabe zu empfangen:
```
from amzn_nova_forge.manager.runtime_manager import SMTJServerlessRuntimeManager
from amzn_nova_forge.trainer.forge_trainer import ForgeTrainer
from amzn_nova_forge.model.model_enums import Model, TrainingMethod
from amzn_nova_forge.core import ForgeConfig
# Configure runtime with the output Model Package Group
runtime = SMTJServerlessRuntimeManager(
model_package_group_name="my-rmp-model-package-group", # Required for MTRL
execution_role="arn:aws:iam::123456789012:role/my-role",
agent_core_arn="arn:aws:bedrock-agentcore:us-east-1:123456789012:runtime/my-agent", # AgentCore runtime for MTRL execution
)
# Train with MTRL
trainer = ForgeTrainer(
model=Model.NOVA_LITE_2,
method=TrainingMethod.RFT_MULTITURN_LORA,
infra=runtime,
training_data_s3_path="s3://your-bucket/prompts/train.parquet",
config=ForgeConfig(output_s3_path="s3://your-bucket/output/"),
)
result = trainer.train(job_name="my-mtrl-job")
# Wait for completion and retrieve the output RMP ARN
result.wait()
print(result.model_artifacts.output_model_arn)
```
Nach Abschluss des Trainings wird das resultierende Modell als neue Version in der angegebenen Modellpaketgruppe registriert.
## Verwendung eines RMP zur Evaluierung
Sie können ein als RMP gespeichertes Modell auswerten, indem Sie auf seinen ARN verweisen. Die SageMaker KI-Plattform löst das RMP intern in die zugrunde liegenden Modellartefakte auf, sodass Ihr Evaluierungs-Workflow den Modell-Checkpoint nicht direkt verarbeiten muss.
Einzelheiten zur Durchführung von Testversionen für Amazon Nova-Modelle finden Sie unter[Evaluieren Sie Ihr SageMaker AI-trained Modell](nova-model-evaluation.md).
## Verwendung eines RMP als Trainingsinput (3. Quartal 2026)
Die Verwendung eines RMP als Quellmodell für einen Schulungsjob ist für das dritte Quartal 2026 geplant und ist heute nicht verfügbar. Sobald es unterstützt wird, können Sie einen RMP-ARN als Quellmodell angeben, indem Sie`ModelPackageConfig.SourceModelPackageArn`. Die SageMaker KI-Plattform löst den ARN intern bis zum eigentlichen Modell-Checkpoint auf, sodass Ihr Trainingscode die Modellartefakte so empfängt, als ob sie aus Amazon S3 geladen worden wären.
Dies ermöglicht iterative MTRL-Training-Workflows, bei denen das Ausgabe-RMP eines Trainingsjobs als Quellmodell an einen nachfolgenden MTRL-Job übergeben werden kann, sodass jeder Lauf auf dem Ergebnis des vorherigen aufbaut, ohne jemals den zugrundeliegenden Modell-Checkpoint offenzulegen.