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.
Personalizzazione del modello
La personalizzazione dei modelli Amazon SageMaker AI ti consente di adattare i modelli di base al tuo caso d'uso specifico addestrandoli sui tuoi dati. Scegli una tecnica di personalizzazione (modalità di apprendimento del modello), un tipo di addestramento (quantità del modello da aggiornare) e un'opzione di infrastruttura (dove eseguire il lavoro).
Panoramica di
Le tecniche di personalizzazione definiscono il modo in cui il modello apprende dai dati:
SFT (Supervised Fine-Tuning): formazione su coppie di risposta rapida etichettate. Per informazioni, consulta SFT.
DPO (Direct Preference Optimization): formazione sulle coppie di risposte preferite e rifiutate. Per informazioni, consulta DPO.
RFT (Reinforcement Fine-Tuning): ottimizzazione tramite segnali di ricompensa (RLVR o RLAIF). Per informazioni, consulta RFT.
MTRL (Multi-Turn Reinforcement Learning): forma gli agenti per attività agentistiche in più fasi. Per informazioni, consulta Multi-turn apprendimento per rinforzo.
Personalizzazione continua: concatena le tecniche in sequenza. Per informazioni, consulta Personalizzazione continua.
I tipi di addestramento determinano la quantità di modello da aggiornare:
Le opzioni di infrastruttura controllano dove viene svolto il tuo lavoro di formazione:
Senza server: completamente gestito, nessuna selezione di istanze. Ideale per lavori di sperimentazione e produzione rapidi senza costi operativi. Per informazioni, consulta Personalizzazione del modello serverless.
SageMaker Lavori di formazione con intelligenza artificiale: lavori temporanei in cui si seleziona il tipo di istanza. Utilizza Recipes per la formazione preconfigurata. Per informazioni, consulta SageMaker Offerte di lavoro di formazione sull'IA.
HyperPod— Cluster persistenti con ripristino dei guasti. Utilizza Recipes per la formazione distribuita su EKS oSlurm. Per informazioni, consulta HyperPod.
Scelta del tuo approccio
Prima di perfezionare, valuta se un approccio più semplice soddisfa le tue esigenze:
- Progettazione dei prompt
Il modello fornisce risposte accettabili ma richiede un tono, un formato o uno stile migliori. Non è richiesta alcuna formazione: iterazione rapida. Vedi Prompt engineering for Foundation Models.
- Retrieval Augmented Generation (RAG)
Il tuo modello non conosce il tuo dominio specifico. Arricchiscilo con fonti di conoscenza esterne senza riqualificazione. Vedi Retrieval Augmented Generation.
- Fine-tuning
Il tuo modello deve imparare costantemente nuovi comportamenti, stili o competenze di dominio. Addestrati sui tuoi dati per modificare i pesi del modello. Continua a leggere questa guida.
Modelli supportati per la messa a punto
I seguenti modelli sono disponibili per la personalizzazione su serverless, SageMaker AI Training Jobs e infrastruttura. HyperPod
| Provider | Modello | ID modello | Serverless | Lavori di formazione | 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 32B | huggingface-reasoning-qwen3-32b | ✓ | ✓ | ✓ |
| Alibaba | Qwen 3 14B | huggingface-reasoning-qwen3-14b | ✓ | ✓ | ✓ |
| Alibaba | Qwen 3 8B | huggingface-reasoning-qwen3-8b | ✓ | ✓ | ✓ |
| Alibaba | Qwen3 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 Istruisci 72B | huggingface-llm-qwen2-5-72b-instruct | ✓ | ✓ | ✓ |
| Alibaba | Qwen2.5 Istruisci 32B | huggingface-llm-qwen2-5-32b-instruct | ✓ | ✓ | ✓ |
| Alibaba | Qwen2.5 Istruisci 14B | huggingface-llm-qwen2-5-14b-instruct | ✓ | ✓ | ✓ |
| Alibaba | Qwen2.5 Istruisci 7B | huggingface-llm-qwen2-5-7b-instruct | ✓ | ✓ | ✓ |
| DeepSeek | Distillatore E1 Qwen 32B | deepseek-llm-r1-distill-qwen-32b | ✓ | ✓ | ✓ |
| DeepSeek | Distillatore R1 Qwen 14B | deepseek-llm-r1-distill-qwen-14b | ✓ | ✓ | ✓ |
| DeepSeek | Distillatore R1 Qwen 7B | deepseek-llm-r1-distill-qwen-7b | ✓ | ✓ | ✓ |
| DeepSeek | Distillatore R1 Qwen 1.5B | deepseek-llm-r1-distill-qwen-1-5b | ✓ | ✓ | ✓ |
| DeepSeek | Distillatore R1 Llama 70B | deepseek-llm-r1-distill-llama-70b | ✓ | ✓ | ✓ |
| DeepSeek | Distillatore R1 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 | Llama 3.3 Instruct 70B | meta-textgeneration-llama-3-3-70b-instruct | ✓ | ✓ | ✓ |
| Meta | Llama 3.2 Istruisci 3B | meta-textgeneration-llama-3-2-3b-instruct | ✓ | ✓ | ✓ |
| Meta | Llama 3.2 Istruisci 1B | meta-textgeneration-llama-3-2-1b-instruct | ✓ | ✓ | ✓ |
| Meta | Llama 3.1 Istruisci 8B | meta-textgeneration-llama-3-1-8b-instruct | ✓ | ✓ | ✓ |
| NVIDIA | Nemotron 3 Super 120B (A12B) | huggingface-llm-nvidia-nemotron-3-super-120b-a12b-bf16 | ✓ | ✓ | ✓ |
| NVIDIA | Nemotron 3 Nano 30B (A3B) | huggingface-reasoning-nvidia-nemotron-3-nano-30b-a3b-bf16 | ✓ | ✓ | ✓ |
| OpenAI | GPT OSS 120B | openai-reasoning-gpt-oss-120b | ✓ | ✓ | ✓ |
| OpenAI | GPT OSS 20B | openai-reasoning-gpt-oss-20b | ✓ | ✓ | ✓ |
Per i modelli Amazon Nova, consulta la procedura dettagliata di Nova in. Personalizzazione del modello serverless
