本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 在 SageMaker AI 上自訂 Amazon Nova 模型
<a name="nova-model"></a>

您可以透過[配方](nova-model-recipes.md#nova-model-get-recipes)自訂 Amazon Nova 模型，包括增強型 Amazon Nova 2.0 模型，並在 SageMaker 上對其進行訓練。這些配方支援監督式微調 (SFT) 和強化微調 (RFT) 等技術，同時具有全階和低階調整 (LoRA) 選項。

端對端自訂工作流程涉及模型訓練、模型評估和部署等階段以進行推論。SageMaker 上的此模型自訂方法提供更大的彈性和控制，以微調其支援的 Amazon Nova 模型、以精確度最佳化超參數，並實作諸如 LoRA 參數效率微調 (PEFT)、全排名 SFT、RFT 和持續預先訓練 (CPT) 等技術。

## 自訂方法
<a name="nova-model-customization-approaches"></a>

SageMaker 提供兩種自訂 Amazon Nova 模型的方法：

**UI 型體驗** – 透過簡單的引導式界面，使用 自訂 Amazon Nova 模型。此方法提供end-to-end工作流程，包括訓練、評估和部署，無需撰寫程式碼。UI 型體驗非常適合快速實驗、proof-of-concept開發，以及偏好視覺化工作流程的使用者。

**程式碼型體驗** – 使用 SageMaker Python SDK、Nova SDK 和訓練配方，以程式設計方式自訂模型。此方法提供更高的彈性，可讓您設定進階超參數、與 CI/CD 管道整合，以及自動化訓練工作流程。對於生產工作負載、複雜的自訂需求，以及具有既定 MLOps 實務的團隊，建議使用程式碼型體驗。


****  

| 方法 | 最適合 | 主要優點 | 
| --- | --- | --- | 
| 以 UI 為基礎的 | 實驗、原型設計、快速反覆運算 | 簡單設定、引導式工作流程、不需要編碼 | 
| 程式碼型 | 生產、自動化、進階組態 | 完全彈性、管道整合、版本控制 | 

## 自訂平台
<a name="nova-model-customization-platforms"></a>

AWS 提供三種平台來自訂 Amazon Nova 模型，每個都針對不同的使用案例和需求而設計：

**Amazon Bedrock** – 以最少的設定提供最簡單且最快的模型自訂路徑。Bedrock 會自動處理所有基礎設施管理，讓您專注於資料和使用案例。當您需要最快time-to-value，並偏好全受管體驗時，此平台是理想的選擇。

**SageMaker 訓練任務** – 提供全受管環境，可讓您自訂不需要建立或維護任何叢集的 Amazon Nova 模型。服務會自動處理所有基礎設施佈建、擴展和資源管理，讓您專注於設定訓練參數和提交任務。此平台在易用性和靈活性之間取得平衡，支援參數效率微調 (PEFT)、完整排名微調和強化微調 (RFT) 等技術。

**SageMaker HyperPod** – 要求您建立和管理具有受限執行個體群組 (RIGs) 的 EKS 叢集，為大規模分散式訓練提供專業環境。此平台可讓您在使用特殊 GPU 執行個體和整合式 Amazon FSx for Lustre 儲存體設定訓練環境時獲得最大的彈性，使其特別適合進階分散式訓練案例、持續模型開發和企業規模的自訂工作負載。


****  

| 平台 | 複雜性 | 彈性 | 最適合 | 
| --- | --- | --- | --- | 
| Amazon Bedrock | 最低 | 標準 | 最快的自訂、最少的設定 | 
| SageMaker 訓練任務 | 中 | 高 | 平衡彈性和易用性 | 
| SageMaker HyperPod | 最高 | 上限 | 大型分散式訓練、企業工作負載 | 

**注意**  
如果您提供 KMS 金鑰給 Amazon Nova 模型自訂訓練任務，以便在 Amazon 擁有的輸出 S3 儲存貯體中進行加密：  
呼叫後續反覆訓練任務時，或利用加密模型呼叫 Amazon Bedrock CreateCustomModel API 時，您必須提供相同的 KMS 金鑰。
呼叫 `CreateTrainingJob` API 的身分 （而非執行角色） 必須具有 `CreateGrant`、`Encrypt`、 和 的許可`RetireGrant`，`GenerateDataKey`如 KMS 金鑰政策所定義。