Restricted Model Packages

O que é um Restricted Model Package?

Um Restricted Model Package (RMP) é um pacote de modelos do SageMaker AI que agrupa artefatos de modelo proprietários em um armazenamento seguro e gerenciado por serviços que não é diretamente acessível aos clientes. Os RMPs permitem que você autorize e controle o uso desses modelos por meio de políticas do IAM sem conceder acesso direto aos artefatos subjacentes. Os dados do modelo não podem ser baixados, exportados ou visualizados diretamente. Eles só podem ser usados em serviços autorizados da AWS. Os RMPs só podem ser criados por entidades principais confiáveis da plataforma do SageMaker AI e existem dentro dos Model Package Groups marcados com StorageType: "Restricted".

Atualmente, os RMPs são produzidos por meio do treinamento de aprendizagem por reforço em vários turnos (MTRL) no SageMaker Training Jobs Serverless. Depois que um RMP é criado, você pode usar seu ARN para avaliar o modelo subjacente. O uso de um RMP como entrada para uma tarefa de treinamento subsequente, por exemplo, para encadear execuções de MTRL em um fluxo de trabalho de treinamento iterativo, está planejado para o 3º trimestre de 2026.

Os RMPs diferem dos pacotes de modelos do SageMaker AI padrão porque os artefatos do modelo subjacente permanecem sempre em um armazenamento seguro e gerenciado pelo serviço. Os clientes interagem com o modelo por meio de seu ARN em vez de acessar os arquivos do ponto de verificação diretamente no Amazon S3.

Casos de uso compatíveis

A tabela a seguir resume quais casos de uso do RMP estão disponíveis hoje e quais estão planejados para futuras versões.

Resultado do treinamento de MTRL

Quando você treina um modelo usando o aprendizado por reforço em vários turnos (MTRL) no SageMaker Training Jobs Serverless, o resultado do treinamento é entregue como um RMP em vez de um caminho de ponto de verificação do Amazon S3. O RMP de saída é criado e registrado automaticamente em um grupo de pacotes de modelos. Você não cria RMPs diretamente, eles são produzidos pela plataforma como resultados de tarefas de treinamento.

Use a classe MultiTurnRLTrainer para realizar o treinamento de MTRL. O parâmetro output_model_package_group é opcional; se não for fornecido, o SDK criará automaticamente um grupo de pacotes de modelos chamado {model}-mtrl-mpg com 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)

Após a conclusão do treinamento, o modelo resultante é registrado como uma nova versão no grupo de pacotes de modelos.

Usar um RMP para avaliação

Você pode avaliar um modelo armazenado como RMP referenciando seu ARN. A plataforma do SageMaker AI resolve internamente o RMP para os artefatos do modelo subjacente, portanto, seu fluxo de trabalho de avaliação não precisa lidar diretamente com o ponto de verificação do modelo.

Para obter detalhes sobre a execução de avaliações em relação aos modelos Amazon Nova, consulte Avaliar o modelo treinado do SageMaker AI.

Usar um RMP como entrada de treinamento (3º trimestre de 2026)

O uso de um RMP como modelo de origem para uma tarefa de treinamento está planejado para o 3º trimestre de 2026 e não está disponível atualmente. Uma vez liberado, você poderá especificar um ARN do RMP como o modelo de origem usando ModelPackageConfig.SourceModelPackageArn. A plataforma do SageMaker AI resolverá internamente o ARN para o ponto de verificação real do modelo, para que seu código de treinamento receba os artefatos do modelo como se tivessem sido carregados do Amazon S3.

Isso permitirá fluxos de trabalho de treinamento de MTRL iterativos em que o RMP de saída de uma tarefa de treinamento pode ser passado como modelo de origem para uma tarefa de MTRL subsequente, permitindo que cada execução se baseie na saída da anterior sem nunca expor o ponto de verificação do modelo subjacente.