Amazon SageMaker是亚马逊云科技(AWS)提供的全托管机器学习平台，使开发者能够轻松构建、训练和部署各种规模的机器学习模型。作为AWS生态系统中的核心AI服务，它为从初学者到专业数据科学家的各类用户提供了完整的机器学习工作流工具。
Amazon SageMaker 近期进展
Amazon SageMaker AI推出了并发扫描功能，优化生成式AI端点性能，使开发者能够更高效地调整并发参数。这项功能允许用户自动测试不同配置，找到最佳资源分配方案，从而降低成本并提高模型响应速度。Amazon SageMaker AI 推出并发扫描功能优化生成式 AI 端点
Amazon SageMaker HyperPod现在支持模型缓存功能，将推理冷启动时间从原来的数分钟缩短至秒级。这一改进对于需要低延迟响应的应用场景尤为重要，如实时推荐系统和聊天机器人。Amazon SageMaker HyperPod 支持模型缓存，将推理冷启动时间从数分钟缩短至秒级
阿里巴巴的Qwen3.8-2.4T-A95B模型已成功在Amazon SageMaker HyperPod上部署，该模型拥有2.4万亿参数，是迄今为止在SageMaker上部署的最大规模模型之一。这一合作展示了SageMaker在支持超大规模模型训练和部署方面的能力。Qwen3.8-2.4T-A95B在Amazon SageMaker HyperPod部署
Amazon SageMaker Feature Store新增了特征级写入功能，允许数据科学家更灵活地管理和更新特征数据。这一改进简化了特征工程流程，使机器学习模型能够更快地适应新数据。Amazon SageMaker Feature Store 支持特征级写入
当前焦点与观察点
Amazon SageMaker正持续扩展其在生成式AI领域的功能，从模型训练到部署的完整工作流不断优化。随着企业对AI应用需求的增长，SageMaker正致力于降低机器学习的技术门槛，使更多开发者能够利用先进AI技术。
Amazon SageMaker与开源生态系统的整合日益紧密，如支持Hugging Face模型和MLflow模型注册表。这种开放策略增强了其生态系统兼容性，吸引了更多开发者使用AWS的AI服务。同时，SageMaker也在不断优化性能，如通过前缀感知路由减少LLM延迟，提升用户体验。
Amazon SageMaker面临的挑战是如何在保持易用性的同时支持更复杂的AI工作负载。随着模型规模不断扩大，如何平衡性能、成本和可扩展性成为关键。未来，SageMaker可能会进一步加强与AWS其他服务的集成，提供更全面的AI解决方案。