在 SageMaker AI 上自定义 Amazon Nova 模型
您可以通过配方自定义 Amazon Nova 模型（包括增强版 Amazon Nova 2.0 模型），并在 SageMaker 上完成模型训练。这些配方支持监督式微调（SFT）和强化微调（RFT）之类的技术，同时提供全秩适配与低秩适配（LoRA）选项。
端到端自定义工作流程包括模型训练、模型评测和推理部署等阶段。SageMaker 上的这种模型自定义方法提供了更大的灵活性和控制力，可以微调其支持的 Amazon Nova 模型，精确地优化超参数，并实施 LoRA 参数高效微调（PEFT）、全秩 SFT、RFT 和持续预训练（CPT）等技术。
自定义方法
SageMaker 提供了两种用于自定义 Amazon Nova 模型的方法：
基于 UI 的方法：可通过简洁的引导式界面自定义 Amazon Nova 模型。该方法提供包含训练、评测与部署的端到端工作流，无需编写代码。基于 UI 的体验适合快速实验、概念验证开发以及偏好可视化工作流的用户。
基于代码的方法：使用 SageMaker Python SDK、Nova SDK 和训练配方，以编程方式自定义模型。该方法具备更高灵活性，支持配置高级超参数、集成 CI/CD 管道并实现训练工作流自动化。建议将基于代码的方法用于生产工作负载、复杂的自定义需求以及具备成熟 MLOps 实践的团队。
| 方法 | 适用于 | 主要优势 |
|---|---|---|
| 基于 UI | 实验验证、原型开发、快速迭代 | 配置简便，流程引导，无需编码 |
| 基于代码 | 生产环境、自动化、高级配置 | 高度灵活，管道集成，版本控制 |
自定义平台
AWS 提供三个用于自定义 Amazon Nova 模型的平台，每个平台针对不同的使用案例和要求而设计：
Amazon Bedrock：提供最简单、最快速的模型自定义路径，设置最少。Bedrock 自动处理所有基础设施管理，让您专注于数据和使用案例。当您需要最快获得价值且偏好全托管体验时，该平台是理想选择。
SageMaker 训练作业：提供全托管环境，用于自定义 Amazon Nova 模型，无需创建或维护任何集群。该服务会自动处理所有基础设施预置、扩展和资源管理，使您能够专注于配置训练参数和提交作业。该平台兼顾易用性与灵活性，支持参数高效微调（PEFT）、全秩微调和强化微调（RFT）等技术。
SageMaker HyperPod：专为大规模分布式训练提供专用环境，需创建并管理包含受限实例组（RIG）的 EKS 集群。该平台在配置训练环境方面提供最大的灵活性，支持专用 GPU 实例和集成的适用于 Lustre 的 Amazon FSx 存储，因此特别适合高级分布式训练场景、持续模型开发以及企业级自定义工作负载。
| 平台 | 复杂度 | 弹性 | 适用于 |
|---|---|---|---|
| Amazon Bedrock | 最低 | 标准 | 最快自定义，最少设置 |
| SageMaker 训练作业 | 中 | 高 | 兼顾灵活性与易用性 |
| SageMaker HyperPod | 最高 | 最大值 | 大规模分布式训练，企业级工作负载 |
注意
如果为 Amazon Nova 模型自定义训练作业提供 KMS 密钥，用于对 Amazon 拥有的输出 S3 存储桶进行加密：
-
在调用后续的迭代训练作业，或在调用 Amazon Bedrock 的 CreateCustomModel API 以使用该加密模型时，必须提供相同的 KMS 密钥。
-
调用
CreateTrainingJobAPI 的身份（而非执行角色）必须具备 KMS 密钥策略中定义的以下权限：CreateGrant、RetireGrant、Encrypt、GenerateDataKey。
