View a markdown version of this page

Personalização do modelo - SageMaker IA da Amazon
Visão geral doEscolhendo sua abordagemModelos compatíveis para ajuste fino

As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

Personalização do modelo

A personalização do modelo de SageMaker IA da Amazon permite que você adapte os modelos básicos ao seu caso de uso específico, treinando-os em seus dados. Você escolhe uma técnica de personalização (como o modelo aprende), um tipo de treinamento (quanto do modelo deve ser atualizado) e uma opção de infraestrutura (onde executar o trabalho).

Visão geral do

As técnicas de personalização definem como seu modelo aprende com os dados:

  • SFT (supervisionado Fine-Tuning) — Treine em pares rotulados de resposta rápida. Consulte SFT.

  • DPO (Direct Preference Optimization) — Treine com pares de respostas preferenciais versus rejeitadas. Consulte DPO.

  • RFT (reforço Fine-Tuning) — Otimize por meio de sinais de recompensa (RLVR ou RLAIF). Consulte RFT.

  • MTRL (Multi-Turn Reinforcement Learning) — Treine agentes para tarefas agentes de várias etapas. Consulte Multi-turn aprendizagem por reforço.

  • Personalização contínua — Encadeie técnicas sequencialmente. Consulte Personalização contínua.

Os tipos de treinamento determinam quanto do modelo deve ser atualizado:

  • LoRA(Low-Rank Adaptação) — Treina um pequeno conjunto de pesos do adaptador. Treinamento mais rápido e de menor custo. Consulte LoRa.

  • FFT (Completo Fine-Tuning) — Atualiza todos os pesos do modelo. Maior computação, maior personalização. Consulte FFT.

As opções de infraestrutura controlam onde seu trabalho de treinamento é executado:

  • Sem servidor — totalmente gerenciado, sem seleção de instâncias. Ideal para trabalhos rápidos de experimentação e produção sem sobrecarga operacional. Consulte Personalização de modelos sem servidor.

  • SageMaker Empregos de treinamento em IA — trabalhos temporários em que você seleciona o tipo de instância. Usa receitas para treinamento pré-configurado. Consulte SageMaker Empregos de treinamento em IA.

  • HyperPod— Clusters persistentes com recuperação de falhas. Usa receitas para treinamento distribuído no EKS ouSlurm. Consulte HyperPod.

Escolhendo sua abordagem

Antes de fazer o ajuste fino, considere se uma abordagem mais simples atende às suas necessidades:

Engenharia de prompts

Seu modelo fornece respostas aceitáveis, mas precisa de melhor tom, formato ou estilo. Não é necessário treinamento — iteração rápida. Consulte Engenharia imediata para modelos de fundação.

RAG (geração aumentada via recuperação)

Seu modelo carece de conhecimento sobre seu domínio específico. Amplie com fontes de conhecimento externas sem necessidade de reciclagem. Veja geração aumentada via recuperação.

Fine-tuning

Seu modelo precisa aprender consistentemente novos comportamentos, estilos ou conhecimentos de domínio. Treine seus dados para alterar os pesos do modelo. Continue lendo este guia.

Modelos compatíveis para ajuste fino

Os modelos a seguir estão disponíveis para personalização sem servidor, trabalhos de treinamento de SageMaker IA e infraestrutura. HyperPod

Fornecedor Modelo ID do modelo Sem servidor Empregos de treinamento HyperPod
AlibabaQwen3.6 27Bhuggingface-vlm-qwen3-6-27b✓✓✓
AlibabaQwen3.5 27Bhuggingface-vlm-qwen3-5-27b✓✓✓
AlibabaQwen3.5 9Bhuggingface-vlm-qwen3-5-9b✓✓✓
AlibabaQwen3.5 4Bhuggingface-vlm-qwen3-5-4b✓✓✓
AlibabaQwen 3 32Bhuggingface-reasoning-qwen3-32b✓✓✓
AlibabaQwen 3 14Bhuggingface-reasoning-qwen3-14b✓✓✓
AlibabaQwen 3 8Bhuggingface-reasoning-qwen3-8b✓✓✓
AlibabaQwen 3 4Bhuggingface-reasoning-qwen3-4b✓✓✓
AlibabaQwen3 1.7Bhuggingface-reasoning-qwen3-1-7b✓✓✓
AlibabaQwen3 0,6Bhuggingface-reasoning-qwen3-06b✓✓✓
AlibabaQwen2.5 Instrua 72Bhuggingface-llm-qwen2-5-72b-instruct✓✓✓
AlibabaQwen2.5 Instrua 32Bhuggingface-llm-qwen2-5-32b-instruct✓✓✓
AlibabaQwen2.5 Instrua 14Bhuggingface-llm-qwen2-5-14b-instruct✓✓✓
AlibabaQwen2.5 Instrua 7Bhuggingface-llm-qwen2-5-7b-instruct✓✓✓
DeepSeekDestilador E1 Qwen 32Bdeepseek-llm-r1-distill-qwen-32b✓✓✓
DeepSeekDestilador E1 Qwen 14Bdeepseek-llm-r1-distill-qwen-14b✓✓✓
DeepSeekDestilador E1 Qwen 7Bdeepseek-llm-r1-distill-qwen-7b✓✓✓
DeepSeekDestilador E1 Qwen 1.5Bdeepseek-llm-r1-distill-qwen-1-5b✓✓✓
DeepSeekR1 Destill Lhama 70Bdeepseek-llm-r1-distill-llama-70b✓✓✓
DeepSeekR1 Destill Lhama 8Bdeepseek-llm-r1-distill-llama-8b✓✓✓
GoogleGemma 4 31Bhuggingface-vlm-gemma-4-31b-it✓✓✓
GoogleGemma 4 26B A4Bhuggingface-vlm-gemma-4-26b-a4b-it✓✓✓
GoogleGemma 4 E4Bhuggingface-vlm-gemma-4-e4b-it✓✓✓
MetaLlama 3.3 Instruct 70Bmeta-textgeneration-llama-3-3-70b-instruct✓✓✓
MetaLlama 3.2 Instruct 3Bmeta-textgeneration-llama-3-2-3b-instruct✓✓✓
MetaLhama 3.2 Instrução 1Bmeta-textgeneration-llama-3-2-1b-instruct✓✓✓
MetaLlama 3.1 Instruct 8Bmeta-textgeneration-llama-3-1-8b-instruct✓✓✓
NVIDIANemotron 3 Super 120B (A12B)huggingface-llm-nvidia-nemotron-3-super-120b-a12b-bf16✓✓✓
NVIDIANemotron 3 Nano 30B (A3B)huggingface-reasoning-nvidia-nemotron-3-nano-30b-a3b-bf16✓✓✓
OpenAIPERDA DE GPT 120Gopenai-reasoning-gpt-oss-120b✓✓✓
OpenAIGPT LOSS 20Bopenai-reasoning-gpt-oss-20b✓✓✓

Para modelos Amazon Nova, veja o passo a passo da Nova abaixo. Personalização de modelos sem servidor