本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# 针对使用案例自定义模型以提高其性能
<a name="custom-models"></a>

模型自定义是为模型提供训练数据的过程，目的是针对特定使用案例提高其性能。您可以自定义 Amazon Bedrock 基础模型，以提高其性能并创造更好的客户体验。Amazon Bedrock 目前提供以下自定义方法。
+ **有监督的微调**

  提供*带标签*的数据来训练模型，以提高模型在特定任务中的性能。通过提供带标签的训练数据集样本，模型可以学会将某些类型的输入应产生哪些类型的输出关联起来。在此过程中，模型参数会得到调整，模型性能也会针对训练数据集所代表的任务得到提高。

  有关使用监督微调的更多信息，请参阅[在 Amazon Bedrock 中通过微调自定义模型](custom-model-fine-tuning.md)。
+ **强化微调**

  通过基于反馈的学习，强化微调可以提高基础模型与您的特定用例的一致性。您可以定义评估响应质量的奖励函数，而不是提供带标签的输入输出对。该模型通过接收来自这些奖励函数的反馈分数来进行迭代学习。

  您可以上传训练提示数据集或提供现有的 Bedrock 调用日志。您可以使用定义奖励函数 AWS Lambda 来评估响应质量。Amazon Bedrock 可自动执行训练工作流程，并提供实时指标来监控模型学习进度。

  有关使用钢筋微调的更多信息，请参阅[在 Amazon Bedrock 中通过钢筋微调来自定义模型](reinforcement-fine-tuning.md)。
+ **蒸馏**

  使用蒸馏方式，将知识从更大、更智能的模型（称为教师式模型）转移到更小、更快、更经济的模型（称为学生式模型）。Amazon Bedrock 使用最新的数据合成技术，从教师式模型中生成多样化、高质量的响应，然后对学生式模型进行微调，从而自动完成蒸馏过程。

  要使用蒸馏，您需要根据使用案例所需实现的准确率选择一个教师式模型，然后选择一个要微调的学生式模型。然后，提供特定于使用案例的提示作为输入数据。Amazon Bedrock 使用给出的提示从教师式模型生成响应，然后使用这些响应来微调学生式模型。您可以选择以提示-响应对的形式提供标注的输入数据。

  有关使用蒸馏的更多信息，请参阅[在 Amazon Bedrock 中使用蒸馏功能自定义模型](model-distillation.md)。

有关模型自定义配额的信息，请参阅 AWS 一般参考中的 [Amazon Bedrock 端点和配额](https://docs.aws.amazon.com/general/latest/gr/bedrock.html)。

**注意**  
您需要根据模型处理的词元数量（训练数据语料库中的词元数 × 周期数）和每个模型每月的模型存储费用来支付模型训练费用。有关更多信息，请参阅 [Amazon Bedrock 定价](https://aws.amazon.com/bedrock/pricing/)。