在 SageMaker AI 上自定义 Amazon Nova 模型
注意
本文档适用于 Amazon Nova 版本 1。Amazon Nova 2 现已推出新的模型和增强功能。有关如何自定义 Amazon Nova 2 的信息，请访问自定义 Amazon Nova 2 模型。
您可以通过配方自定义 Amazon Nova 模型，然后在 SageMaker 上进行训练。这些配方支持监督式微调（SFT）和持续预训练（CPT），并在适用情况下提供全秩适应与低秩适应（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 和持续预训练（CPT）等技术。
SageMaker 提供了两个用于自定义 Amazon Nova 模型的环境。
-
SageMaker 训练作业提供了一个完全托管的环境供用于自定义 Amazon Nova 模型，无需您创建或维护任何集群。该服务会自动处理所有基础设施预调配、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。您可以使用参数高效微调（PEFT）和全秩微调，在 SageMaker 训练作业中自定义 Amazon Nova 模型。有关更多信息，请参阅 基于 SageMaker 训练作业自定义 Amazon Nova。
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。
-
-
SageMaker HyperPod 通过要求您创建和管理带有受限实例组（RIG）的 SageMaker HyperPod EKS 集群，提供了一个专门的环境用于训练 Amazon Nova 模型。该环境使您可以使用专用 GPU 实例和集成的适用于 Lustre 的 Amazon FSx 存储来灵活地配置训练环境，因此它特别适合高级分布式训练场景和持续的模型开发。有关更多信息，请参阅 基于 SageMaker HyperPod 的 Amazon Nova 自定义。
在本章中
