北京2025年12月5日 /美通社/ -- 亞馬遜云科技在2025 re:Invent全球大會(huì)上，宣布Amazon Bedrock與Amazon SageMaker AI推出模型定制全新功能，助力客戶構(gòu)建更快速更高效的AI Agent。Amazon Bedrock中的Reinforcement Fine Tuning讓模型更容易根據(jù)特定場景進(jìn)行調(diào)整并提升準(zhǔn)確率。Amazon SageMaker AI將高級(jí)模型定制流程從數(shù)月縮短到數(shù)天，加速AI開發(fā)并更快推出新方案。
效率已經(jīng)成為企業(yè)部署AI時(shí)的核心挑戰(zhàn)。盡管構(gòu)建AI應(yīng)用變得更容易，但在大規(guī)模環(huán)境中運(yùn)行依然成本高昂且資源密集。這一挑戰(zhàn)對(duì)于AI Agent尤為明顯，因?yàn)锳gent在執(zhí)行推理、調(diào)用多種工具，以及協(xié)調(diào)多個(gè)系統(tǒng)時(shí)，推理負(fù)載更高。許多企業(yè)會(huì)選擇最強(qiáng)大的大模型來驅(qū)動(dòng)Agent，但Agent的大部分時(shí)間實(shí)際上花在查日程、搜文檔等日常任務(wù)上，而這些任務(wù)并不需要高級(jí)智能。其結(jié)果就是：成本不必要地升高、響應(yīng)速度變慢、資源被浪費(fèi)。
解決方式在于定制化：使用更小、更專門化的模型來處理Agent最常執(zhí)行的任務(wù)，以更低的成本提供更快、更準(zhǔn)確的響應(yīng)。但在此之前，強(qiáng)化學(xué)習(xí)等高級(jí)定制技術(shù)仍需要深厚的機(jī)器學(xué)習(xí)專業(yè)知識(shí)、大量基礎(chǔ)設(shè)施投入，以及數(shù)月的開發(fā)周期。
今天，亞馬遜云科技宣布Amazon Bedrock與Amazon SageMaker AI推出全新功能，使任何企業(yè)的開發(fā)者都能夠使用先進(jìn)的模型定制技術(shù)。Amazon Bedrock中的Reinforcement Fine Tuning（RFT）強(qiáng)化微調(diào)功能，以及Amazon SageMaker AI基于強(qiáng)化學(xué)習(xí)的無服務(wù)器模型定制功能，簡化了構(gòu)建高效AI的過程，基礎(chǔ)模型經(jīng)過定制后，在速度、成本與準(zhǔn)確率方面的表現(xiàn)均獲得顯著提升。通過降低這些新技術(shù)的獲取門檻，亞馬遜云科技能夠幫助各種規(guī)模的企業(yè)更輕松地構(gòu)建適用于任意業(yè)務(wù)場景的定制化Agent。
借助Amazon Bedrock，讓普通開發(fā)者也能輕松使用RFT強(qiáng)化微調(diào)
復(fù)雜的定制技術(shù)長期以來阻礙了高效定制模型的構(gòu)建。以強(qiáng)化學(xué)習(xí)為例，它通過人類或模型的反饋來訓(xùn)練模型，獎(jiǎng)勵(lì)正確行為，糾正錯(cuò)誤行為。強(qiáng)化學(xué)習(xí)特別適合推理與復(fù)雜工作流，因?yàn)樗?jiǎng)勵(lì)的是"良好的過程"，而不僅僅是"正確答案"。然而，強(qiáng)化學(xué)習(xí)需要復(fù)雜的訓(xùn)練管線、大規(guī)模算力，以及昂貴的人類反饋或強(qiáng)大的AI模型來評(píng)估每一次輸出。
Amazon Bedrock中的RFT強(qiáng)化微調(diào)功能顯著簡化了模型定制流程，使任何企業(yè)的開發(fā)者都能使用這一技術(shù)。Amazon Bedrock是一項(xiàng)全托管AI平臺(tái)，向客戶提供來自領(lǐng)先AI公司的高性能基礎(chǔ)模型，并具備構(gòu)建Agent與生成式AI應(yīng)用所需的安全、隱私與負(fù)責(zé)任AI特性。使用RFT后，定制后的模型相比基礎(chǔ)模型，平均可獲得66%的準(zhǔn)確率提升，使企業(yè)能夠依靠更小、更快、成本更低的模型實(shí)現(xiàn)更好效果，而無需依賴昂貴的大模型。
整個(gè)流程非常簡單。開發(fā)者只需選擇基礎(chǔ)模型，將其指向調(diào)用日志（也就是AI的歷史記錄），或上傳一個(gè)數(shù)據(jù)集；然后選擇獎(jiǎng)勵(lì)函數(shù) —— 基于AI、基于規(guī)則或使用預(yù)置模板。Amazon Bedrock的自動(dòng)化工作流會(huì)從頭到尾完成微調(diào)過程。你不需要機(jī)器學(xué)習(xí)博士學(xué)位，只需要清楚業(yè)務(wù)場景中"好結(jié)果"是什么樣子。RFT在首批發(fā)布時(shí)將支持Amazon Nova 2 Lite模型，很快將會(huì)支持更多模型。
Salesforce與Weni by VTEX等客戶在使用Amazon Bedrock中的RFT強(qiáng)化微調(diào)功能后，準(zhǔn)確率與效率均獲得顯著提升。Salesforce Agentforce軟件工程高級(jí)副總裁Phil Mui表示："亞馬遜云科技基于Amazon Bedrock RFT的基準(zhǔn)測試結(jié)果令人矚目，在我們特定業(yè)務(wù)需求中，相比基礎(chǔ)模型的準(zhǔn)確率最高提升達(dá)到73%。我們期待在現(xiàn)有監(jiān)督微調(diào)成果的基礎(chǔ)上進(jìn)一步利用RFT，從而為客戶提供更加精準(zhǔn)、更具定制化的AI解決方案。這一方式很好地補(bǔ)充了我們現(xiàn)有的AI開發(fā)流程，同時(shí)延續(xù)了Salesforce一貫嚴(yán)格的質(zhì)量與安全標(biāo)準(zhǔn)。"
Amazon SageMaker AI將模型定制周期從數(shù)月壓縮至數(shù)天
對(duì)于需要更強(qiáng)AI工作流掌控力的團(tuán)隊(duì)，可以轉(zhuǎn)向Amazon SageMaker AI。AI開發(fā)者傾向在定制場景選擇Amazon SageMaker AI，因?yàn)樗軌蛟诖笠?guī)模環(huán)境下提供構(gòu)建、訓(xùn)練與部署能力的完全控制權(quán)。
自2017年推出以來，Amazon SageMaker AI一直在加速并優(yōu)化AI開發(fā)流程。但隨著越來越多企業(yè)希望使用更高級(jí)的定制技術(shù)，他們也需要更加流暢的體驗(yàn)，以消除那些耗時(shí)數(shù)月的阻礙 —— 例如基礎(chǔ)設(shè)施管理、合成數(shù)據(jù)生成等，從而專注于為客戶開發(fā)更優(yōu)的解決方案。因此，Amazon SageMaker AI現(xiàn)已提供新的無服務(wù)器模型定制功能，使模型定制可以在幾天內(nèi)完成。
用戶可選擇兩種操作模式：以預(yù)覽形式推出的Agent引導(dǎo)模式，由Agent引導(dǎo)開發(fā)者完成整個(gè)模型定制流程；或者為希望自主掌控過程的開發(fā)者提供的自主引導(dǎo)模式。在Agent引導(dǎo)模式中，開發(fā)者只需用自然語言描述需求，Agent便會(huì)引導(dǎo)完成從合成數(shù)據(jù)生成到模型評(píng)估的全部過程。而需要更高靈活性和細(xì)粒度控制的開發(fā)者可以選擇自主引導(dǎo)模式，它無需管理基礎(chǔ)設(shè)施，同時(shí)提供選擇定制技術(shù)和調(diào)整參數(shù)所需的工具。
無論選擇哪種方式，開發(fā)者都可以使用多種高級(jí)定制技術(shù)，包括Reinforcement Learning from AI Feedback、Reinforcement Learning with Verifiable Rewards、Supervised Fine-Tuning以及Direct Preference Optimization。這些Amazon SageMaker AI的新功能將支持Amazon Nova以及廣受歡迎的開放權(quán)重模型，例如Llama、Qwen、DeepSeek和GPT-OSS，為客戶提供多樣化的選擇，以匹配不同的業(yè)務(wù)場景需求。
Collinear AI、Robin AI和Vody等客戶已經(jīng)開始通過Amazon SageMaker AI的新功能簡化模型定制流程。Collinear AI是一家面向企業(yè)級(jí)生成式AI的模型優(yōu)化平臺(tái)，通過Amazon SageMaker AI節(jié)省了數(shù)周時(shí)間。其聯(lián)合創(chuàng)始人Soumyadeep Bakshi表示："AI模型微調(diào)對(duì)構(gòu)建高保真模擬至關(guān)重要，而過去這需要把訓(xùn)練、評(píng)估、部署等不同系統(tǒng)拼接在一起?，F(xiàn)在，借助Amazon SageMaker AI新的無服務(wù)器模型定制能力，我們可以通過一種統(tǒng)一方式將實(shí)驗(yàn)周期從數(shù)周縮短到數(shù)天。這一端到端的無服務(wù)器工具讓我們能夠?qū)Ｗ⒂谡嬲匾氖虑椋簽榭蛻魳?gòu)建更高質(zhì)量的訓(xùn)練數(shù)據(jù)和模擬，而不是維護(hù)基礎(chǔ)設(shè)施或在不同平臺(tái)之間切換。"
