人工智能

Amazon SageMaker JumpStart：2026 年迄今回顾

Amazon SageMaker JumpStart 是 Amazon SageMaker AI 中的一个机器学习（ML）中心，提供精选的 AI 模型、解决方案模板和示例笔记本目录。它缩短了从模型选择到部署所需的时间。你可以用它评估开源大语言模型（LLM）、部署用于文档理解的视觉模型，或用自己的数据微调紧凑模型。

SageMaker JumpStart 服务于三个主要用例：

  • 模型发现与评估——浏览来自 Alibaba（Qwen）、NVIDIA、Google、Mistral、Cohere、IBM 等提供商的上百个基础模型（FM）。每个模型卡片都包含架构详情、基准测试、许可信息和示例笔记本。
  • 一键部署——将你选择的模型部署到 SageMaker 实时推理端点，预配置的设置针对你的工作负载进行了优化（低成本、低延迟、高吞吐量或均衡）。无需手动配置容器或实例。
  • 模型定制——直接从控制台或 SDK 微调模型，使用低秩适配（LoRA）、监督微调（SFT）、直接偏好优化（DPO）和可验证奖励强化学习（RLVR）等技术。无服务器定制选项可减少基础设施管理。

你可以通过 SageMaker Studio 控制台（Models → JumpStart models）、以编程方式通过 SageMaker Python SDK，或使用最近推出的深度链接集成直接从 Hugging Face 访问 SageMaker JumpStart。

2026 年新增模型概览

从 2026 年 1 月到 9 月，SageMaker JumpStart 新增了来自 30 个不同提供商的 100 多个模型。这代表着目录的显著扩展，其驱动力是开源模型发布步伐的加快，以及客户对跨模型架构、规模和能力的选择需求日益增长。

以下是主要贡献者的细分情况以及我们的 SageMaker JumpStart 页面:

  • Alibaba（Qwen）： 29 个模型 ，涵盖推理（Qwen 3.8-27B）、大规模混合专家（Qwen3.5-122B-A10B）、智能体工作流（Qwen-AgentWorld-35B-A3B）、代码生成（Qwen3-Coder-Next、Qwen 3 Coder 30B）、语音识别（Qwen3-ASR-1.7B）、文本转语音（Qwen3-TTS）、嵌入（Qwen3-VL-Embedding-2B）和重排序（Qwen3-Reranker-4B）。
  • NVIDIA： 17 个模型，包括 Cosmos3 世界基础模型系列（Super、Edge、Nano）、Cosmos Reason 7B、MSA-Search、 Nemotron 3.5 Lightning, Nemotron-3-Super-120B（FP8 和 BF16）、Nemotron3 Ultra、Nemotron-Nano-12B-v2、 Nemotron 3 Nano Omni（多模态）, 以及用于视觉语言的 Nemotron 3.5 Super VL 。
  • Mistral： 7 个模型，包括 Ministral-3 系列（3B、8B、14B 的标准版和 BF16 版）以及用于语音的 Voxtral-Mini-4B-Realtime。
  • Google： 6 个 Gemma 4 变体，包括 gemma-4-31B-it、E2B-it、E4B-it、26B-A4B-it、assistant 和 NVFP4 量化版。
  • IBM： 4 个模型，包括 Granite 4.0 h-micro/small/tiny 和 granite-speech-4.1-2b，用于覆盖 6 种语言的多语言自动语音识别（ASR）。
  • Cohere： 4 个模型，包括 Command A（A100）以及用于检索增强的 Rerank v3.5、v4.0 Fast 和 v4.0 Pro。
  • 其他： 来自 MiniMax、Zhipu AI（GLM）、DeepSeek、Moonshot AI、Allen AI、Microsoft、 Meta（Muse Spark）, Reflection（Beam), Black Forest Labs、JetBrains、OpenBMB、BharatGenAI、Kakao、OpenFold 等的 33 个模型。

模型新增亮点

2026 年新增的模型反映了我们在扩展 SageMaker JumpStart 目录时的几个重点优先事项。这些不仅仅是行业趋势。它们代表了我们看到强劲客户需求以及帮助客户在 SageMaker 上构建生产级 AI 应用的重大机会的领域。

扩展 NVIDIA 开放模型组合

NVIDIA 是我们的重要模型提供商之一，2026 年他们的贡献远远超出了语言模型。Cosmos3 世界基础模型提供 Super、Edge 和 Nano 三个层级，将视频生成、物理模拟和动作规划整合到单一架构中，适用于机器人、自主系统和数字孪生等物理 AI 应用。结合从高效边缘推理（Nano-12B）到大规模推理（Super-120B）的 Nemotron 模型，SageMaker JumpStart 现在提供广泛的 NVIDIA 开放模型组合。如果你基于 NVIDIA 硬件构建，可以使用优化的容器和预配置端点将这些模型部署到 SageMaker 上。

弥合多模态差距

客户工作负载越来越需要处理文本以外内容的模型。2026 年，我们优先新增原生处理视觉、语音和文档理解的模型。NVIDIA Nemotron 3 Nano Omni 在单一模型中处理文本、视觉和语音。Google Gemma 4 在多种规模上增加了视觉语言能力。IBM granite-speech-4.1-2b 处理六种语言的语音识别和翻译。Mistral Voxtral-Mini 支持实时语音理解。这些新增意味着客户可以避免为多模态工作负载串联单独的预处理模型。

让创意 AI 触手可及

图像和视频生成在 2026 年从利基走向主流。我们新增了来自 Black Forest Labs 的 FLUX.2 Small Decoder 和 FLUX.2-klein-base-4B 用于快速文本到图像生成，Meta Muse-Glimmer-30B 用于多模态智能体工作流，以及 NVIDIA Cosmos3 用于视频生成。借助这些模型，你可以使用与语言模型相同的一键部署体验来访问创意 AI 能力。

优先考虑高效和量化模型

并非所有工作负载都需要前沿规模的模型，许多客户在转向生产时专注于优化推理成本。我们上线了多个量化和紧凑模型：智谱AI GLM-5.2 FP8在降低内存占用的同时提供强劲性能。JetBrains Mellum2-12B采用混合专家架构，仅用25亿活跃参数进行代码生成。OpenBMB MiniCPM5-1B将多模态能力封装进10亿参数之中。Microsoft Phi-4-mini-instruct和IBM Granite 4.0 h-tiny表明，紧凑模型可在ml.g5.xlarge等实例类型上服务生产工作负载。这些模型可为针对性用例优化延迟和总拥有成本（TCO）。

为针对性任务上线专用模型

通用大语言模型用途广泛，但专用模型针对特定任务进行了优化。2026年，我们上线了Qwen-AgentWorld-35B-A3B，用于具备原生工具调用的自主AI工作流。GLM-OCR、LightOnOCR和DeepSeek-OCR负责文档文本提取。Qwen3-Reranker-4B和Cohere Rerank v4.0提升检索增强生成（RAG）流水线中的检索精度。langcache-embed-v3-small为语义搜索提供轻量级嵌入。Qwen3-ASR和Qwen3-TTS带来语音识别与合成能力。OpenFold3支持面向科学计算的蛋白质结构预测。借助这些模型，你可以构建流水线，让每个阶段都使用适合该任务的专用工具，而不是强迫单一模型完成所有工作。

拓宽提供商多样性

降低模型选择中的集中度风险对企业客户至关重要。2026年，我们将模型目录扩展至包含30家提供商，相比往年更为集中的组合有所增加。阿里巴巴Qwen是单一最大贡献者，共有29个模型，涵盖推理、编码、语音和检索。智谱AI和DeepSeek增添了具有竞争力的LLM和专用OCR。MiniMax和Moonshot AI贡献了新兴架构。Cohere带来可靠的重新排序能力。BharatGenAI和Kakao扩展了区域模型覆盖。这种广度让客户在性能、成本、许可和语言支持方面拥有更多选择。

2026年SageMaker JumpStart增强功能

除模型上线外，SageMaker JumpStart还在2026年推出了重大改进，减少了从发现到部署的整个模型生命周期中的摩擦。

SageMaker AI控制台上简化的Model Hub

此前，发现SageMaker JumpStart模型需要进入SageMaker Studio，并在左侧导航中找到SageMaker JumpStart部分。新的Model Hub体验将完整的SageMaker JumpStart目录直接呈现在SageMaker AI控制台登录页上。你可以按类别浏览模型，并按输入/输出模态、发布者、模型大小、许可证和框架进行筛选。你还可以查看示例笔记本，并一键在Studio中打开模型。这避免了拖慢初步探索的多步导航。

预配置的端点部署选项

为模型部署选择合适的实例类型、服务容器和优化设置，通常需要在数十种组合中进行手动基准测试。SageMaker JumpStart现在提供命名的部署配置，并带有以下优化选项：

  • 均衡 ——在成本、延迟和吞吐量之间为通用工作负载提供均衡权衡。
  • 吞吐量优化 ——使用推测解码等技术实现每秒最大token数，非常适合高容量批处理。
  • 延迟优化 ——最低的首token时间（TTFT），优先考虑交互式应用的速度。
  • 成本优化 ——每次请求的最低基础设施成本，适合可以接受较高延迟的工作负载。

这些配置包括针对AWS Inferentia和AWS Trainium实例的Neuron优化设置，降低了部署复杂性和基础设施成本。你可以一键使用合适的优化配置文件部署模型，而不必花费数周手动对配置进行基准测试。

Hugging Face深度链接集成

与Hugging Face的新集成将模型发现直接连接到SageMaker Studio，适用于已上线模型。在Hugging Face上浏览模型时，你可以选择 Deploy on SageMaker AI 或 Customize and Deploy on SageMaker AI。你会直接进入已配置好的Studio环境，模型已预加载、权限已预配置，并内置GPU配额可见性。这避免了在实验前设置AWS身份和访问管理（IAM）角色、创建域或配置权限的需要。

开始使用

有三种方式开始使用SageMaker JumpStart：

  • SageMaker Studio控制台——打开SageMaker Studio，导航到Models → JumpStart models，然后浏览目录。选择一个模型查看其详细信息，然后选择 Deploy 或 Customize.
  • SageMaker Python SDK——使用SageMaker Python SDK以编程方式部署模型。访问 SageMaker JumpStart模型目录 获取SDK示例和部署指南。
  • Hugging Face深度链接——浏览 HuggingFace Model Hub 并选择 Deploy on SageMaker AI ，即可直接进入Studio，使用SageMaker JumpStart已上线模型。

SageMaker JumpStart上的每个模型都包含部署配置、示例笔记本和文档。如需动手实践演练，请参阅我们的相关博客文章“使用Amazon SageMaker JumpStart部署和评估模型”.

结论

2026年前三个季度是Amazon SageMaker JumpStart取得重大进展的时期。随着来自30家提供商的100多个新模型上线，目录现已覆盖广泛的能力范围。这些包括前沿推理模型、多模态视觉语言模型、用于图像和视频生成的创意AI、语音识别与合成、光学字符识别（OCR）和文档理解、用于RAG的嵌入和检索模型、智能体工作流模型，以及专业科学计算模型。

这些上线优先事项反映了我们观察到客户需求最强劲、也是加速AWS上AI采用机会最大的领域。它们包括扩展模型组合、弥合多模态差距、让创意AI触手可及、优先考虑效率与量化、上线专用模型，以及拓宽提供商多样性。

结合简化版Model Hub、预配置部署选项和Hugging Face深度链接集成等增强功能，SageMaker JumpStart持续降低模型发现与生产部署之间的门槛。访问 SageMaker JumpStart模型目录 以探索完整阵容。

后续步骤

有多种方式可以开始使用SageMaker JumpStart。不妨亲自尝试其中一种！

关于作者