Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Paket Model Terbatas

Apa itu Paket Model Terbatas?

Paket Model Terbatas (RMP) adalah Paket Model SageMaker AI yang membungkus artefak model eksklusif dalam penyimpanan aman yang dikelola layanan yang tidak dapat diakses langsung oleh pelanggan. RMP memungkinkan Anda untuk mengotorisasi dan mengontrol penggunaan model ini melalui kebijakan IAM tanpa memberikan akses langsung ke artefak yang mendasarinya. Data model tidak dapat diunduh, diekspor, atau dilihat secara langsung. Ini hanya dapat digunakan dalam layanan AWS resmi. RMP hanya dapat dibuat oleh prinsipal platform SageMaker AI tepercaya dan ada dalam Grup Paket Model yang ditandai dengan. StorageType: "Restricted"

RMP diproduksi hari ini dengan pelatihan multi-turn penguatan pembelajaran (MTRL) tentang SageMaker Pelatihan Pekerjaan Tanpa Server. Setelah RMP ada, Anda dapat menggunakan ARN-nya untuk mengevaluasi model yang mendasarinya. Menggunakan RMP sebagai masukan untuk pekerjaan pelatihan berikutnya — misalnya, untuk mengrantai MTRL berjalan ke alur kerja pelatihan berulang — direncanakan untuk Q3 2026.

RMP berbeda dari Paket Model SageMaker AI standar karena artefak model yang mendasarinya tetap berada di penyimpanan yang aman dan dikelola layanan setiap saat. Pelanggan berinteraksi dengan model melalui ARN-nya daripada mengakses file pos pemeriksaan langsung di Amazon S3.

Kasus penggunaan yang didukung

Tabel berikut merangkum kasus penggunaan RMP mana yang tersedia saat ini dan yang direncanakan untuk rilis mendatang.

Output pelatihan MTRL

Saat Anda melatih model menggunakan multi-turn penguatan pembelajaran (MTRL) di Tra SageMaker ining Jobs Serverless, output pelatihan disampaikan sebagai RMP daripada jalur pos pemeriksaan Amazon S3. RMP keluaran secara otomatis dibuat dan didaftarkan dalam Grup Paket Model. Anda tidak membuat RMP secara langsung — mereka diproduksi oleh platform sebagai output pekerjaan pelatihan.

Gunakan MultiTurnRLTrainer kelas untuk menjalankan pelatihan MTRL. output_model_package_groupParameternya opsional — jika tidak disediakan, SDK secara otomatis membuat Grup Paket Model bernama {model}-mtrl-mpg denganStorageType: "Restricted".

from sagemaker.train.multi_turn_rl_trainer import MultiTurnRLTrainer

trainer = MultiTurnRLTrainer(
    model="nova-textgeneration-lite-v2",
    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)

Setelah pelatihan selesai, model yang dihasilkan didaftarkan sebagai versi baru di Grup Paket Model.

Menggunakan RMP untuk evaluasi

Anda dapat mengevaluasi model yang disimpan sebagai RMP dengan mereferensikan ARN-nya. Platform SageMaker AI menyelesaikan RMP ke artefak model yang mendasarinya secara internal, sehingga alur kerja evaluasi Anda tidak perlu menangani pos pemeriksaan model secara langsung.

Untuk detail tentang menjalankan evaluasi terhadap model Amazon Nova, lihatMengevaluasi SageMaker AI-trained model Anda.

Menggunakan RMP sebagai input pelatihan (Q3 2026)

Menggunakan RMP sebagai model sumber untuk pekerjaan pelatihan direncanakan untuk Q3 2026 dan tidak tersedia saat ini. Setelah didukung, Anda akan dapat menentukan RMP ARN sebagai model sumber menggunakanModelPackageConfig.SourceModelPackageArn. Platform SageMaker AI akan menyelesaikan ARN ke pos pemeriksaan model aktual secara internal, sehingga kode pelatihan Anda akan menerima artefak model seolah-olah dimuat dari Amazon S3.

Ini akan memungkinkan alur kerja pelatihan MTRL berulang di mana RMP keluaran dari satu pekerjaan pelatihan dapat diteruskan sebagai model sumber ke pekerjaan MTRL berikutnya, memungkinkan setiap proses untuk membangun output dari yang sebelumnya tanpa pernah mengekspos pos pemeriksaan model yang mendasarinya.