Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Personnalisation de modèles
La personnalisation des modèles Amazon SageMaker AI vous permet d'adapter les modèles de base à votre cas d'utilisation spécifique en les formant à vos données. Vous choisissez une technique de personnalisation (mode d'apprentissage du modèle), un type d'entraînement (quantité du modèle à mettre à jour) et une option d'infrastructure (où exécuter la tâche).
Présentation de
Les techniques de personnalisation définissent la manière dont votre modèle apprend à partir des données :
SFT (supervisé Fine-Tuning) — Entraînez-vous sur des paires de réponses rapides étiquetées. Consultez SFT.
DPO (optimisation des préférences directes) — Entraînez-vous sur les paires de réponses préférées et rejetées. Consultez DPO.
RFT (renforcement Fine-Tuning) — Optimisation via des signaux de récompense (RLVR ou RLAIF). Consultez RFT.
MTRL (apprentissage Multi-Turn par renforcement) — Formez les agents à des tâches agentiques en plusieurs étapes. Consultez Multi-turn apprentissage par renforcement.
Personnalisation continue — Enchaînez les techniques de manière séquentielle. Consultez Personnalisation continue.
Les types de formation déterminent la part du modèle à mettre à jour :
Les options d'infrastructure contrôlent le déroulement de votre tâche de formation :
Sans serveur : entièrement géré, aucune instance sélectionnée. Idéal pour les tâches d'expérimentation et de production rapides sans frais d'exploitation. Consultez Personnalisation des modèles sans serveur.
SageMaker Emplois de formation en IA : emplois éphémères dans lesquels vous sélectionnez le type d'instance. Utilise des recettes pour une formation préconfigurée. Consultez SageMaker Emplois de formation en IA.
HyperPod— Clusters persistants avec restauration après panne. Utilise des recettes pour une formation distribuée sur EKS ouSlurm. Consultez HyperPod.
Choix de votre approche
Avant de peaufiner, demandez-vous si une approche plus simple répond à vos besoins :
- Ingénierie de requête
Votre modèle donne des réponses acceptables mais a besoin d'un ton, d'un format ou d'un style améliorés. Aucune formation requise, itération rapide. Voir Prompt engineering pour les modèles de fondation.
- Génération augmentée de récupération (RAG)
Votre modèle ne connaît pas votre domaine spécifique. Complétez avec des sources de connaissances externes sans avoir à suivre de nouvelles formations. Voir Retrieval Augmented Generation.
- Fine-tuning
Votre modèle doit constamment apprendre de nouveaux comportements, de nouveaux styles ou de nouvelles compétences dans un domaine. Entraînez-vous à partir de vos données pour modifier les poids des modèles. Continuez à lire ce guide.
Modèles pris en charge pour un réglage précis
Les modèles suivants sont disponibles à des fins de personnalisation pour les tâches sans serveur, les tâches de formation à l' SageMaker IA et HyperPod l'infrastructure.
| Fournisseur | Modèle | ID du modèle | sans serveur | Emplois de formation | HyperPod |
|---|---|---|---|---|---|
| Alibaba | Qwen3.6 27B | huggingface-vlm-qwen3-6-27b | ✓ | ✓ | ✓ |
| Alibaba | Qwen3.5 27B | huggingface-vlm-qwen3-5-27b | ✓ | ✓ | ✓ |
| Alibaba | Qwen3.5 9B | huggingface-vlm-qwen3-5-9b | ✓ | ✓ | ✓ |
| Alibaba | Qwen3.5 4B | huggingface-vlm-qwen3-5-4b | ✓ | ✓ | ✓ |
| Alibaba | Qwen3 32 Go | huggingface-reasoning-qwen3-32b | ✓ | ✓ | ✓ |
| Alibaba | Qwen3 14B | huggingface-reasoning-qwen3-14b | ✓ | ✓ | ✓ |
| Alibaba | Qwen3 8B | huggingface-reasoning-qwen3-8b | ✓ | ✓ | ✓ |
| Alibaba | Qwen3 4G | huggingface-reasoning-qwen3-4b | ✓ | ✓ | ✓ |
| Alibaba | Qwen3 1,7 Go | huggingface-reasoning-qwen3-1-7b | ✓ | ✓ | ✓ |
| Alibaba | Qwen3 0,6 V | huggingface-reasoning-qwen3-06b | ✓ | ✓ | ✓ |
| Alibaba | Qwen2.5 Instruction 72B | huggingface-llm-qwen2-5-72b-instruct | ✓ | ✓ | ✓ |
| Alibaba | Qwen2.5 Instruire 32B | huggingface-llm-qwen2-5-32b-instruct | ✓ | ✓ | ✓ |
| Alibaba | Qwen2.5 Instruction 14B | huggingface-llm-qwen2-5-14b-instruct | ✓ | ✓ | ✓ |
| Alibaba | Qwen2.5 Instruire 7B | huggingface-llm-qwen2-5-7b-instruct | ✓ | ✓ | ✓ |
| DeepSeek | D1 Distillateur Qwen 32 V | deepseek-llm-r1-distill-qwen-32b | ✓ | ✓ | ✓ |
| DeepSeek | D1 Distillateur Qwen 14B | deepseek-llm-r1-distill-qwen-14b | ✓ | ✓ | ✓ |
| DeepSeek | D1 Distillateur Qwen 7B | deepseek-llm-r1-distill-qwen-7b | ✓ | ✓ | ✓ |
| DeepSeek | D1 Distillateur Qwen 1,5 V | deepseek-llm-r1-distill-qwen-1-5b | ✓ | ✓ | ✓ |
| DeepSeek | R1 Distill Lama 70B | deepseek-llm-r1-distill-llama-70b | ✓ | ✓ | ✓ |
| DeepSeek | Lama distillé R1 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 | Llama 3.3 Instruct 70B | meta-textgeneration-llama-3-3-70b-instruct | ✓ | ✓ | ✓ |
| Meta | Llama 3.2 Instruct 3B | meta-textgeneration-llama-3-2-3b-instruct | ✓ | ✓ | ✓ |
| Meta | Llama 3.2 Instruct 1B | meta-textgeneration-llama-3-2-1b-instruct | ✓ | ✓ | ✓ |
| Meta | Llama 3.1 Instruct 8B | meta-textgeneration-llama-3-1-8b-instruct | ✓ | ✓ | ✓ |
| NVIDIA | Némotron 3 Super 120B (A12B) | huggingface-llm-nvidia-nemotron-3-super-120b-a12b-bf16 | ✓ | ✓ | ✓ |
| NVIDIA | Némotron 3 Nano 30B (A3B) | huggingface-reasoning-nvidia-nemotron-3-nano-30b-a3b-bf16 | ✓ | ✓ | ✓ |
| IA ouverte | GPT OSS 120B | openai-reasoning-gpt-oss-120b | ✓ | ✓ | ✓ |
| IA ouverte | GPT OSS 20B | openai-reasoning-gpt-oss-20b | ✓ | ✓ | ✓ |
Pour les modèles Amazon Nova, consultez la procédure pas à pas de Nova ci-dessous. Personnalisation des modèles sans serveur
