Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

Pacchetti modello soggetti a restrizioni

Che cos'è un pacchetto modello limitato?

Un Restricted Model Package (RMP) è un pacchetto di modelli SageMaker AI che racchiude gli artefatti del modello proprietario in uno storage sicuro e gestito dai servizi che non è direttamente accessibile ai clienti. Gli RMP consentono di autorizzare e controllare l'utilizzo di questi modelli tramite policy IAM senza concedere l'accesso diretto agli artefatti sottostanti. I dati del modello non possono essere scaricati, esportati o visualizzati direttamente. Può essere utilizzato solo all'interno di servizi AWS autorizzati. Gli RMP possono essere creati solo da responsabili di piattaforme SageMaker AI affidabili ed esistono all'interno di Model Package Groups contrassegnati con. StorageType: "Restricted"

Gli RMP sono prodotti oggi mediante corsi di formazione multi-turn reinforcement learning (MTRL) su Training Jobs Serverless. SageMaker Una volta che esiste un RMP, è possibile utilizzarne l'ARN per valutare il modello sottostante. L'utilizzo di un RMP come input per un successivo processo di formazione, ad esempio per concatenare le esecuzioni MTRL in un flusso di lavoro di formazione iterativo, è previsto per il terzo trimestre del 2026.

Gli RMP differiscono dai pacchetti di modelli SageMaker AI standard in quanto gli artefatti del modello sottostante rimangono sempre in uno storage sicuro e gestito dai servizi. I clienti interagiscono con il modello tramite il relativo ARN anziché accedere ai file dei checkpoint direttamente in Amazon S3.

Casi di utilizzo supportati

La tabella seguente riassume i casi d'uso di RMP disponibili oggi e quelli pianificati per le versioni future.

Risultato formativo MTRL

Quando si addestra un modello utilizzando il Multi-Turn Reinforcement Learning (MTRL) su SageMaker Training Jobs Serverless, il risultato del training viene fornito come RMP anziché come percorso di checkpoint Amazon S3. L'RMP di output viene creato e registrato automaticamente in un Model Package Group. Gli RMP non vengono creati direttamente: vengono prodotti dalla piattaforma come output dei lavori di formazione.

Usa la MultiTurnRLTrainer classe per eseguire un corso di formazione MTRL. Il output_model_package_group parametro è opzionale: se non fornito, l'SDK crea automaticamente un Model Package Group denominato con. {model}-mtrl-mpg StorageType: "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)

Al termine dell'addestramento, il modello risultante viene registrato come nuova versione nel Model Package Group.

Utilizzo di un RMP per la valutazione

È possibile valutare un modello archiviato come RMP facendo riferimento al relativo ARN. La piattaforma SageMaker AI risolve internamente l'RMP degli artefatti del modello sottostante, quindi il flusso di lavoro di valutazione non deve gestire direttamente il checkpoint del modello.

Per informazioni dettagliate sull'esecuzione delle valutazioni sui modelli Amazon Nova, consulta. Valutazione del modello SageMaker AI-trained

Utilizzo di un RMP come input per la formazione (terzo trimestre 2026)

L'utilizzo di un RMP come modello sorgente per un lavoro di formazione è previsto per il terzo trimestre del 2026 e non è attualmente disponibile. Una volta supportato, sarà possibile specificare un ARN RMP come modello di origine utilizzando. ModelPackageConfig.SourceModelPackageArn La piattaforma SageMaker AI risolverà internamente l'ARN fino al checkpoint effettivo del modello, in modo che il codice di training riceverà gli artefatti del modello come se fossero stati caricati da Amazon S3.

Ciò consentirà flussi di lavoro di formazione MTRL iterativi in cui l'RMP di output di un processo di formazione può essere passato come modello di origine a un processo MTRL successivo, consentendo a ciascuna esecuzione di basarsi sull'output di quella precedente senza mai esporre il checkpoint del modello sottostante.