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, vom Service verwalteten Speicher verpackt, auf den Kunden nicht direkt zugreifen können. Mit RMPs können Sie die Nutzung dieser Modelle mithilfe von IAM-Richtlinien autorisieren und kontrollieren, ohne direkten Zugriff auf die zugrunde liegenden Artefakte zu gewähren. Modelldaten können nicht heruntergeladen, exportiert oder direkt angezeigt werden. Sie können nur innerhalb autorisierter AWS-Services verwendet werden. RMPs können nur von vertrauenswürdigen SageMaker KI-Plattform-Prinzipalen erstellt werden und existieren in Modellpaketgruppen, die mit gekennzeichnet sind. StorageType: "Restricted"
RMPs werden heute im Rahmen einer Multi-Turn Reinforcement Learning (MTRL) -Schulung auf Training Jobs Serverless erstellt. SageMaker Sobald ein RMP existiert, können Sie seinen ARN verwenden, um das zugrunde liegende Modell zu evaluieren. Die Verwendung eines RMP als Input für einen nachfolgenden Trainingsjob — beispielsweise zur Verkettung von MTRL-Läufen in einen iterativen Trainingsablauf — ist für das dritte Quartal 2026 geplant.
RMPs unterscheiden sich von SageMaker Standard-KI-Modellpaketen darin, dass die zugrunde liegenden Modellartefakte jederzeit in einem sicheren, vom Service verwalteten Speicher verbleiben. Kunden interagieren mit dem Modell über dessen ARN, anstatt direkt in Amazon S3 auf die Checkpoint-Dateien zuzugreifen.
Unterstützte Anwendungsfälle
Die folgende Tabelle fasst zusammen, welche RMP-Anwendungsfälle heute verfügbar sind und welche für zukünftige Versionen geplant sind.
| Anwendungsfall | Verfügbarkeit |
|---|---|
| Trainingsergebnis — Sie erhalten einen RMP als trainiertes Modellartefakt aus einem MTRL-Trainingsjob | Allgemein verfügbar |
| Bewertungsinput — Referenzieren Sie einen RMP als das zu evaluierende Modell | Allgemein verfügbar |
| Trainingsinput — Verwenden Sie einen RMP als Quellmodell für einen nachfolgenden Trainingsjob (z. B. iterative MTRL-Workflows) | 3. QUARTAL 2026 |
MTRL-Trainingsausgabe
Wenn Sie ein Modell mithilfe von Multi-Turn Reinforcement Learning (MTRL) auf SageMaker Training Jobs Serverless trainieren, wird das Trainingsergebnis als RMP und nicht als Amazon S3-Checkpoint-Pfad bereitgestellt. Das Ausgabe-RMP wird automatisch erstellt und in einer Modellpaketgruppe registriert. Sie erstellen RMPs nicht direkt — sie werden von der Plattform als Ausgabe von Trainingsaufträgen erstellt.
Verwenden Sie die MultiTurnRLTrainer Klasse, um ein MTRL-Training durchzuführen. Der output_model_package_group Parameter ist optional. Wenn er nicht angegeben wird, erstellt das SDK automatisch eine Modellpaketgruppe mit dem Namen. {model}-mtrl-mpg StorageType: "Restricted"
from sagemaker.train.multi_turn_rl_trainer import MultiTurnRLTrainer trainer = MultiTurnRLTrainer( model="nova-textgeneration-lite", agent_env="arn:aws:bedrock-agentcore:us-east-1:123456789012:runtime/my-agent", training_dataset="s3://your-bucket/prompts/train.parquet", s3_output_path="s3://your-bucket/output/", accept_eula=True, # output_model_package_group is optional — auto-created if not provided ) job = trainer.train(wait=True) # Retrieve the output RMP ARN print(job.output_model_package_arn)
Nach Abschluss des Trainings wird das resultierende Modell als neue Version in der Modellpaketgruppe registriert.
Verwendung eines RMP zur Bewertung
Sie können ein als RMP gespeichertes Modell evaluieren, indem Sie auf seinen ARN verweisen. Die SageMaker AI-Plattform löst den RMP intern in die zugrunde liegenden Modellartefakte auf, sodass Ihr Evaluierungsworkflow den Modell-Checkpoint nicht direkt verarbeiten muss.
Einzelheiten zur Durchführung von Evaluierungen anhand von Amazon Nova-Modellen finden Sie unter. Evaluieren Sie Ihr SageMaker AI-trained Modell
Verwendung eines RMP als Trainingseingabe (Q3 2026)
Die Verwendung eines RMP als Ausgangsmodell für einen Trainingsjob ist für das dritte Quartal 2026 geplant und derzeit nicht verfügbar. Sobald die Unterstützung erfolgt ist, können Sie einen RMP-ARN als Quellmodell angeben, indem Sie Folgendes verwenden. ModelPackageConfig.SourceModelPackageArn Die SageMaker AI-Plattform löst den ARN intern bis zum tatsächlichen Modell-Checkpoint auf, sodass Ihr Trainingscode die Modellartefakte so empfängt, als ob sie von Amazon S3 geladen worden wären.
Dies ermöglicht iterative MTRL-Trainingsworkflows, bei denen der ausgegebene RMP eines Trainingsjobs als Quellmodell an einen nachfolgenden MTRL-Job weitergegeben werden kann, sodass jeder Lauf auf der Ausgabe des vorherigen Jobs aufbauen kann, ohne dass der zugrunde liegende Modell-Checkpoint offengelegt wird.
