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.
Modellanpassung
Mit der Amazon SageMaker AI-Modellanpassung können Sie Basismodelle an Ihren spezifischen Anwendungsfall anpassen, indem Sie sie anhand Ihrer Daten trainieren. Sie wählen eine Anpassungstechnik (wie das Modell lernt), einen Trainingstyp (wie viel des Modells aktualisiert werden soll) und eine Infrastrukturoption (wo der Job ausgeführt werden soll).
-Übersicht
Anpassungstechniken definieren, wie Ihr Modell aus Daten lernt:
SFT (beaufsichtigt Fine-Tuning) — Trainieren Sie anhand von beschrifteten Prompt-Response-Paaren. Siehe SFT.
DPO (Direct Preference Optimization) — Trainieren Sie anhand bevorzugter und abgelehnter Antwortpaare. Siehe DPO.
RFT (Reinforcement Fine-Tuning) — Optimieren Sie mithilfe von Belohnungssignalen (RLVR oder RLAIF). Siehe RFT.
MTRL (Multi-Turn Reinforcement Learning) — Trainieren Sie Agenten für mehrstufige Agentenaufgaben. Siehe Multi-turn verstärkendes Lernen.
Kontinuierliche Anpassung — Techniken sequentiell verketten. Siehe Kontinuierliche Anpassung.
Die Trainingstypen bestimmen, wie viel Teil des Modells aktualisiert werden muss:
Infrastrukturoptionen steuern, wo Ihr Trainingsjob abläuft:
Serverlos — Vollständig verwaltet, keine Instanzauswahl. Ideal für schnelle Experimente und Produktionsaufträge ohne Betriebsaufwand. Siehe Serverlose Modellanpassung.
SageMaker KI-Schulungsjobs — Kurzlebige Jobs, bei denen Sie den Instanztyp auswählen. Verwendet Rezepte für vorkonfiguriertes Training. Siehe SageMaker Jobs im Bereich KI-Ausbildung.
HyperPod— Persistente Cluster mit Fehlerbehebung. Verwendet Rezepte für verteiltes Training auf EKS oderSlurm. Siehe HyperPod.
Wählen Sie Ihren Ansatz
Überlegen Sie sich vor der Feinabstimmung, ob ein einfacherer Ansatz Ihren Bedürfnissen entspricht:
- Prompt-Engineering
Ihr Modell gibt akzeptable Antworten, benötigt jedoch einen besseren Ton, ein besseres Format oder einen besseren Stil. Keine Schulung erforderlich — schnelle Iteration. Informationen zu Fundamentmodellen finden Sie unter Prompt Engineering.
- RAG (Retrieval Augmented Generation)
Ihrem Modell mangelt es an Wissen über Ihren spezifischen Bereich. Erweitern Sie Ihr Wissen um externe Wissensquellen ohne Umschulung. Siehe Retrieval Augmented Generation.
- Fine-tuning
Ihr Modell muss ständig neue Verhaltensweisen, Stile oder Fachkenntnisse erlernen. Trainieren Sie anhand Ihrer Daten, um die Modellgewichte zu ändern. Lesen Sie diese Anleitung weiter.
Unterstützte Modelle für die Feinabstimmung
Die folgenden Modelle sind für Anpassungen in den Bereichen Serverless, SageMaker KI-Trainingsjobs und HyperPod Infrastruktur verfügbar.
| Anbieter | Modell | Modell-ID | Serverless | Jobs im Bereich Ausbildung | HyperPod |
|---|---|---|---|---|---|
| Alibaba | Qwen3.6 27 B | huggingface-vlm-qwen3-6-27b | ✓ | ✓ | ✓ |
| Alibaba | Qwen3.5 27 B | huggingface-vlm-qwen3-5-27b | ✓ | ✓ | ✓ |
| Alibaba | Qwen3.5 9 B | huggingface-vlm-qwen3-5-9b | ✓ | ✓ | ✓ |
| Alibaba | Qwen3.5 4B | huggingface-vlm-qwen3-5-4b | ✓ | ✓ | ✓ |
| Alibaba | Qwen 3 32 B | huggingface-reasoning-qwen3-32b | ✓ | ✓ | ✓ |
| Alibaba | Qwen 3 14 B | huggingface-reasoning-qwen3-14b | ✓ | ✓ | ✓ |
| Alibaba | Qwen 3 8 B | huggingface-reasoning-qwen3-8b | ✓ | ✓ | ✓ |
| Alibaba | Qwen 3 4B | huggingface-reasoning-qwen3-4b | ✓ | ✓ | ✓ |
| Alibaba | Qwen 3 1,7 B | huggingface-reasoning-qwen3-1-7b | ✓ | ✓ | ✓ |
| Alibaba | Qwen3 0,6 B | huggingface-reasoning-qwen3-06b | ✓ | ✓ | ✓ |
| Alibaba | Qwen2.5 Instruktiere 72B | huggingface-llm-qwen2-5-72b-instruct | ✓ | ✓ | ✓ |
| Alibaba | Qwen2.5 Instruktiere 32B | huggingface-llm-qwen2-5-32b-instruct | ✓ | ✓ | ✓ |
| Alibaba | Qwen2.5 Instruktiere 14B | huggingface-llm-qwen2-5-14b-instruct | ✓ | ✓ | ✓ |
| Alibaba | Qwen2.5 Instruktiere 7B | huggingface-llm-qwen2-5-7b-instruct | ✓ | ✓ | ✓ |
| DeepSeek | R1 Qwen 32B destillieren | deepseek-llm-r1-distill-qwen-32b | ✓ | ✓ | ✓ |
| DeepSeek | R1 Destillieren Sie Qwen 14B | deepseek-llm-r1-distill-qwen-14b | ✓ | ✓ | ✓ |
| DeepSeek | R1 Destillieren Sie Qwen 7B | deepseek-llm-r1-distill-qwen-7b | ✓ | ✓ | ✓ |
| DeepSeek | R1 Destillieren Sie Qwen 1,5 B | deepseek-llm-r1-distill-qwen-1-5b | ✓ | ✓ | ✓ |
| DeepSeek | R1 Destillieren Sie Lama 70B | deepseek-llm-r1-distill-llama-70b | ✓ | ✓ | ✓ |
| DeepSeek | R1 Destilliere Lama 8B | deepseek-llm-r1-distill-llama-8b | ✓ | ✓ | ✓ |
| Gemma 4 31B | huggingface-vlm-gemma-4-31b-it | ✓ | ✓ | ✓ | |
| Gemma 4 26B A4B | huggingface-vlm-gemma-4-26b-a4b-it | ✓ | ✓ | ✓ | |
| Gemma 4 E4B | huggingface-vlm-gemma-4-e4b-it | ✓ | ✓ | ✓ | |
| Meta | Lama 3.3 Instruktiere 70B | meta-textgeneration-llama-3-3-70b-instruct | ✓ | ✓ | ✓ |
| Meta | Lama 3.2 Instruktiere 3B | meta-textgeneration-llama-3-2-3b-instruct | ✓ | ✓ | ✓ |
| Meta | Lama 3.2 Instruktiere 1B | meta-textgeneration-llama-3-2-1b-instruct | ✓ | ✓ | ✓ |
| Meta | Lama 3.1 Instruktiere 8B | meta-textgeneration-llama-3-1-8b-instruct | ✓ | ✓ | ✓ |
| NVIDIA | Nemotron 3 Super 120 B (A12B) | huggingface-llm-nvidia-nemotron-3-super-120b-a12b-bf16 | ✓ | ✓ | ✓ |
| NVIDIA | Nemotron 3 Nano 30 B (A3B) | huggingface-reasoning-nvidia-nemotron-3-nano-30b-a3b-bf16 | ✓ | ✓ | ✓ |
| OpenAI | ICH HABE EINEN VERLUST VON 120B | openai-reasoning-gpt-oss-120b | ✓ | ✓ | ✓ |
| OpenAI | GPT OSS 120B | openai-reasoning-gpt-oss-20b | ✓ | ✓ | ✓ |
Informationen zu Amazon Nova-Modellen finden Sie in der Nova-Komplettlösung unter. Serverlose Modellanpassung
