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。
在亚马逊 AI 上自定义 Amazon Nova 车型 SageMaker
你可以通过食谱自定义 Amazon Nova 模型，然后在 SageMaker AI 上对其进行训练。这些配方支持诸如监督微调 (SFT) 和直接偏好优化 (DPO) 之类的技术，同时具有全等级和低等级适应 (LoRa) 选项。
end-to-end自定义工作流程包括模型训练、模型评估和推理部署等阶段。这种基于 SageMaker 人工智能的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，并实现诸如LoRa参数高效微调（PEFT）、全等级SFT、DPO、持续预训练（CPT）、近端策略优化（PPO）等技术。
SageMaker AI 提供了两种用于自定义 Amazon Nova 模型的环境。
-
Amazon SageMaker 训练作业提供了一个完全托管的环境，用于自定义 Nova 模型，您无需创建或维护任何集群。该服务会自动处理所有基础设施配置、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)、全等级微调以及直接偏好优化 (DPO) 等技术在 SageMaker 训练作业中自定义 Nova 模型。有关更多信息，请参阅 Amazon Nova 对 SageMaker 训练作业进行自定义。
-
Amazon 要求您创建和管理带有受限实例组（RIGs）的 SageMaker HyperPod EKS 集群，从而 SageMaker HyperPod提供了一个专门的环境来训练 Nova 模型。该环境使您可以灵活地使用专用 GPU 实例和集成 Amazon FSx for Lustre 存储来配置训练环境，使其特别适合高级分布式训练场景和正在进行的模型开发。有关更多信息，请参阅 亚马逊上的 Amazon Nova 定制 SageMaker HyperPod。
在本章中
