Amazon SageMaker
PulseAugur coverage of Amazon SageMaker — every cluster mentioning Amazon SageMaker across labs, papers, and developer communities, ranked by signal.
- developed by Amazon SageMaker Python SDK 95%
- developed by Amazon SageMaker HyperPod 95%
- instance of Amazon SageMaker HyperPod 95%
- partners with mlflow 90%
- affiliated with Amazon EKS 90%
- used by Amazon SageMaker Studio 90%
- used by graphics processing unit 90%
- used by mlflow 70%
- used by Kubernetes 70%
- used by Docker 70%
- used by Amazon EKS 70%
- uses mlflow 70%
- 2026-10-05 product_launch Amazon SageMaker introduced a new skill for coding agents that optimizes generative AI inference. 来源
- 2026-09-08 product_launch AWS enhances AI model governance by integrating MLflow with Amazon SageMaker AI Model Registry, enabling richer metadata synchronization and cross-account governance. 来源
- 2026-08-26 product_launch Amazon SageMaker released version 3 of its Python SDK, introducing a redesigned architecture for streamlined custom model training and deployment. 来源
- 2026-07-27 product_launch AWS introduced new inference meta-monitoring capabilities for Amazon SageMaker AI endpoints and Deepgram integrated AWS IAM Temporary Delegation for enhanced support. 来源
- 2026-07-06 product_launch Amazon SageMaker launched an MLflow integration for streaming AI benchmark and recommendation results. 来源
- 2026-06-22 product_launch AWS SageMaker now supports ComfyUI for running AI processing jobs, enabling scalable content generation. 来源
- 2026-06-17 product_launch Amazon SageMaker AI Async Inference now supports inline request payloads, simplifying the process for users sending inference data. 来源
- 2026-06-17 product_launch Amazon SageMaker AI Async Inference now supports inline request payloads, simplifying the inference process by allowing direct payload submission. 来源
- 2026-06-08 product_launch Amazon SageMaker has introduced end-to-end encrypted ML inference capabilities using fully homomorphic encryption. 来源
- 2026-05-28 product_launch AWS launched a new integration method for SageMaker MLflow Apps into custom portals. 来源
- 2026-05-13 product_launch Integration enabling governed LLM fine-tuning with Databricks Unity Catalog. 来源
- 2026-05-04 product_launch Amazon SageMaker introduced capacity-aware instance pools for AI inference endpoints. 来源
10 天有情绪数据
-
AWS 大语言模型部署：SageMaker vLLM 对比 Bedrock 开源模型
在 AWS 上部署开源大语言模型（LLMs）涉及的复杂性超出了初始设置，尤其是在基础设施所有权和性能扩展方面。本文对比了两种 AWS 方法：一种是使用 vLLM 的 Amazon SageMaker，以获得对服务层的更大控制权；另一种是使用 Amazon Bedrock，以获得更受管理的体验。使用 vLLM 的 SageMaker 方法提供了对计算、推理引擎和配置的细粒度控制，适用于模型和推理性能至关重要的应用程序。然而，这种控制需要…
-
可观测性工程师详解大型语言模型监控挑战
一位可观测性工程师分享了关于监控大型语言模型（LLM）的见解，强调了与传统软件相比的独特挑战。该工程师详细介绍了运行自己的推理服务，讨论了跟踪特定于大型语言模型的性能和行为的复杂性。文章涉及各种大型语言模型框架和平台，暗示了对专门的MLOps实践的需求。
-
Amazon SageMaker 通过优化的生成式 AI 推理增强编码代理
Amazon SageMaker 为编码代理引入了一项新技能，实现了优化的生成式 AI 推理。这项通过 AWS 代理工具包提供的增强功能，为 Kiro、Claude Code 和 Codex 等代理提供了推理方面的专业知识。此次更新旨在提高 AI 代理处理复杂生成式 AI 任务的效率和能力。
-
Amazon SageMaker AI 推出用于微调搜索代理的多轮强化学习
Amazon SageMaker AI 现在提供一项多轮强化学习 (MTRL) 功能，旨在对大型语言模型 (LLM) 驱动的搜索代理进行微调。这种方法训练代理在交互序列中做出最佳决策，提高检索质量和可靠性，同时保持小型模型的速度和成本效益。MTRL 系统提供模块化接口、无服务器执行和各种策略梯度算法，以实现强大的代理训练。
-
Cohere 发布 Embed 5，具备多模态能力和双层级方法
Cohere 推出了 Embed 5，这是一个专为企业搜索、RAG 和代理检索设计的新型嵌入模型系列。该模型分为两个层级：Embed 5 Pro 提供最高质量，Embed 5 Fast 提供更低的延迟和成本，两者都支持多模态输入和超过 100 种语言。一个关键特性是，两个层级共享同一个嵌入空间，允许用户使用 Pro 进行索引，然后使用 Fast 进行查询，而无需重新索引。Cohere 声称 Embed 5 Pro 在特定基准测试中优于…
-
Amazon Payments 在 SageMaker 上使用上下文老虎机进行 AI 个性化
Amazon Payments 在 Amazon SageMaker 上实施了一个多目标上下文多臂老虎机模型，以个性化客户内容。该方法旨在优化生成式 AI 生成的个性化内容的选型，解决了为每个用户选择最佳选项的挑战。在为期七周的测试中，该系统在一个客户群体中实现了高个位数百分比的转化率提升，而另一群体则没有改善，这表明内容本身是限制因素。
-
uniopen 微调 Amazon Nova 2 Lite 以用于零售内容审核
来自台湾统一集团的零售平台 uniopen 已为其特定的内容审核需求调整了 Amazon Nova 2 Lite。该公司利用 Amazon SageMaker 上的监督微调，使其模型符合其分类用户交互的独特政策。该过程涉及一个强大的数据纠正、训练、评估和部署工作流程，通过对模糊案例和纠正强制进行人工审查来确保负责任的 AI 实践。
-
AWS 指南详述 AI 在安全和工业安全方面的增强功能
Amazon Web Services (AWS) 发布了两份指南，详细介绍了如何在 AWS 平台上增强 AI 功能。其中一份指南侧重于在 Amazon Quick 上为 Model Context Protocol (MCP) 工具实现强大的授权，利用 Microsoft Entra ID 和 JWTs 来提高安全性。第二份指南则解释了如何在 Amazon SageMaker 和 Amazon Rekognition 上构建合成数据…
-
AWS 使用合成数据提高工业安全 AI 准确性
AWS 开发了一个使用 Amazon SageMaker AI 和 Amazon Rekognition 的合成数据生成管道，以改进工业安全 AI。该管道通过生成带有自动标签的逼真图像，解决了关键边缘案例（如工人在重型机械附近）的训练数据稀缺问题。该系统在人员检测准确性方面实现了 160% 的提升，减少了危险数据收集和手动标注的需求。
-
AWS SageMaker 支持无服务器模型定制以进行产品标记
Amazon SageMaker 提供了一项新的无服务器模型定制功能，允许用户针对产品标记等特定任务微调开放权重模型。该方法使用监督微调 (SFT) 和带有可验证奖励的强化学习 (RLVR) 来优化 Qwen3-8B 等模型以实现一致的属性生成。无服务器定制功能可管理训练容量，然后可以将优化后的模型部署用于批量处理，例如目录丰富。
-
AI 模型发展出超现实方言；Amazon SageMaker 改进训练作业
专家们担心 AI 模型会发展出一种独特的、超现实的方言，将诗意的语言与科技行业术语相结合，并将其与 Syd Barrett 和 James Joyce 相提并论。这种新兴的 AI 语言给监控和监督带来了挑战。另外，Amazon SageMaker AI 为训练作业推出了实例偏好列表，允许用户指定首选的实例类型以提高效率。
-
Amazon SageMaker 通过实例偏好列表简化 AI 训练
Amazon SageMaker 为 AI 训练和处理作业引入了实例偏好列表，允许用户指定最多五个首选实例类型。此功能旨在通过自动从优先列表中选择第一个可用实例来减少 GPU 资源的等待时间。目标是简化 AI 模型开发流程，提高容量利用率，并使团队能够更专注于构建模型，而不是管理资源限制。
-
AI模型升级可能导致微妙的、难以察觉的故障
升级AI模型可能会引入难以检测的微妙故障，尤其是在代理系统中。这些故障通常表现为性能逐渐下降或意外行为，而不是明确的错误。这需要超越传统错误检查的强大监控和验证策略来确保系统可靠性。
-
AWS SageMaker HyperPod 添加模型缓存以大幅缩短推理冷启动时间
Amazon SageMaker HyperPod 引入了一项模型缓存功能，旨在显著减少推理冷启动时间。此新功能将模型权重和容器镜像预加载到集群节点上，使 Pod 能够从本地 NVMe 存储高速访问数据，而不是依赖于较慢的网络下载。因此，推理 Pod 可以在几秒钟内开始提供流量，而不是之前所需的几十分钟，从而提高了自动扩展的响应速度。
-
AWS 推出新的 Ray Serve 容器，简化 AI 推理流程，因 TorchServe 已弃用
AWS 发布了新的深度学习容器 (DLCs)，利用 Ray Serve 来简化和支持之前由 TorchServe 管理的工作负载。TorchServe 已不再积极维护，用户需要自行负责管理其依赖项、安全补丁和兼容性问题。新的 Ray Serve DLCs 可用于 Amazon EKS 和 Amazon SageMaker，将 PyTorch、CUDA 和 Ray Serve 打包到一个经过测试和维护的容器中，减少了工程师的重复性工作，…
-
AWS 将 MLflow 与 SageMaker 集成以加强人工智能模型治理 · 跟踪 5 个来源
AWS 正在通过将 MLflow 与 Amazon SageMaker AI 模型注册表集成来增强其人工智能模型治理能力。本系列的第 1 部分详细介绍了 SageMaker 上的托管 MLflow 如何将更丰富的模型元数据（包括训练指标和评估结果）同步到 SageMaker AI 模型注册表中。第 2 部分在自动模型注册的基础上，将此功能扩展到实现跨账户模型治理。
-
MLflow在机器学习实验跟踪方面面临7个替代方案的竞争
MLflow自2018年发布1.0版本以来一直是流行的机器学习实验跟踪工具，现在正面临来自多个替代方案的竞争。本文重点介绍了七种此类工具，它们提供类似或增强的功能来管理机器学习实验。这些替代方案旨在为MLOps专业人员不断变化的需求提供强大的解决方案，用于跟踪、比较和部署ML模型。
-
GoPro 投资 2.85 亿美元用于 AI 数据中心；ZS 和 Boomi 利用 AWS AI 工具
GoPro 投资 2.85 亿美元进军 AI 数据中心市场，旨在建立自己的基础设施。此外，ZS 使用 Amazon SageMaker 为超过 1000 名日常用户开发了一个安全的分析平台，而 Boomi Scribe 利用 AWS AI 代理自动为企业集成生成文档。在游戏新闻方面，Pimax Dream Air 的评测突出了其出色的视觉效果和舒适性，尽管追踪性能平平，而 GTA 6 被证实拥有比 GTA 5 更多的载具。
-
ZS Associates通过安全的Amazon SageMaker平台增强临时分析能力
ZS Associates已开发出一个使用Amazon SageMaker的安全、临时分析平台，旨在平衡开发者的敏捷性与医疗保健等受监管行业严格的合规性要求。该平台服务于超过1000名日常用户，采用多租户架构，配备隔离的SageMaker域和三层IAM角色结构，以确保细粒度控制并遵守最小权限原则。通过集成互联网隔离模式、加密存储和实时软件包扫描等安全措施，ZS在保持强大的数据保护和运营效率的同时，成功实现了机器学习访问的民主化。
-
AWS 在 Forrester 报告中被评为 AI 基础设施领导者
Amazon Web Services (AWS) 在 Forrester Wave：AI 基础设施解决方案，2025 年第四季度报告中被评为领导者。该评估认可了 AWS 在战略类别中的强劲表现，在当前产品和战略的 16 项标准中获得了最高分。AWS 的 AI 基础设施方法通过 AWS Inferentia、AWS Trainium 和 NVIDIA GPUs 等选项强调客户选择，旨在实现成本效益和灵活性。