विस्तृत विश्लेषण · लगभग 7 मिनट पढ़ना
SageMaker AI training sessions: कस्टम पोस्ट-ट्रेनिंग लूप और GPU संचालन की अलग जिम्मेदारियाँ
AWS ने training sessions की सामान्य उपलब्धता घोषित की है। डेवलपर पुरस्कार तय करते हैं और सेवा GPU काम संभालती है; कीमतों तथा तैनाती के परिणामों का परीक्षण नहीं हुआ है।
- यहाँ प्रकाशित
- स्रोत की तारीख
- स्रोत जाँचा गया
AWS के अनुसार SageMaker AI के सर्वरलेस मॉडल अनुकूलन में training sessions अब सामान्य रूप से उपलब्ध हैं। 22 अक्टूबर की घोषणा डेवलपर को पोस्ट-ट्रेनिंग लॉजिक का नियंत्रण देती है, जबकि GPU अवसंरचना AWS चलाता है। यह सेवा की एक क्षमता की घोषणा है, उसके चार समर्थित आधार मॉडलों का पहला विमोचन नहीं।
समाचार सुनें
यह लेख सुनें या समाचार लगातार चलाएँ।
पढ़ने की तैयारी हो रही है…
डिवाइस की आवाज़
वाक् प्रक्रिया आपके ब्राउज़र या डिवाइस में होती है। AISubHub पाठ किसी ऑडियो API को नहीं भेजता। आवाज़ों और लॉक स्क्रीन पर चलने की सुविधा डिवाइस पर निर्भर है।
जारी करने पर छोटा वाक्यांश दोहराया जा सकता है।
मुख्य बातें
- डेवलपर प्रशिक्षण लूप और पुरस्कार या लॉस का लॉजिक लिखते हैं। AWS का कहना है कि वह GPU आवंटन, वितरित निष्पादन, पुनर्प्राप्ति और चेकपॉइंट संभालता है।
- घोषणा में gpt-oss-20b, gemma-4-31B-it, Qwen3.6-27B और Qwen3.8-27B के नाम हैं। IDE वाले रास्ते के लिए Linux या macOS और Python 3.10–3.12 बताए गए हैं।
- AWS टोकन-आधारित शुल्क का वर्णन करता है और कहता है कि ग्राहक की ओर पुरस्कार स्कोर बनाते समय उसका मीटर रुकता है। कोई संख्यात्मक दर या पूरे कार्यभार की लागत सत्यापित नहीं हुई है।
सेवा क्या संभालती है और ग्राहक क्या तय करता है
पोस्ट-ट्रेनिंग की मुश्किल केवल GPU पाने की नहीं है। टीम को तय करना होता है कि अच्छा उत्तर किसे कहेंगे, संभावित उत्तर बनाने और उनका मूल्यांकन करने होते हैं, फिर उस प्रतिक्रिया को वज़न अपडेट में बदलना होता है। AWS training sessions को इसी जिम्मेदारी-विभाजन के रूप में प्रस्तुत करता है: एल्गोरिदम और कार्य-विशिष्ट निर्णय ग्राहक के पास रहते हैं, जबकि GPU पर भारी निष्पादन और उसका संचालन सेवा उपलब्ध कराती है।
घोषणा के अनुसार SageMaker AI पहले से प्रबंधित बहु-टर्न रीइन्फोर्समेंट लर्निंग देता था। नया हिस्सा कस्टम लॉस, पुरस्कार और प्रशिक्षण चरणों के क्रम पर अधिक नियंत्रण है। AWS ने SFT, DPO, RLVR, RLAIF और बहु-टर्न RL के साथ LoRA या पूर्ण फाइन-ट्यूनिंग का उल्लेख किया है। AISubHub की व्याख्या है कि इससे प्रशिक्षण उद्देश्य व्यक्त करने के तरीके बढ़ते हैं; यह प्रमाण नहीं है कि कोई भी चुना हुआ उद्देश्य मॉडल को अवश्य बेहतर करेगा।
सैंपलर से ट्रेनर तक एक लूप का क्रम
लेख समूह-सापेक्ष नीति अनुकूलन, यानी GRPO, का चार चरणों वाला उदाहरण देता है। पहले ग्राहक का लूप हर प्रॉम्प्ट के लिए कई उत्तर माँगता है। फिर ग्राहक के वातावरण में पुरस्कार फ़ंक्शन किसी सत्यापक, पुरस्कार मॉडल या टेस्ट हार्नेस से उन उत्तरों को स्कोर देता है। ये स्कोर forward_backward() को ग्रेडिएंट गणना के लिए दिए जाते हैं और optim_step() वज़न अपडेट लागू करता है। अंत में नए वज़न से सैंपलर को ताज़ा कर लूप दोहराया जाता है।
साथ का चित्र डेटा, पुरस्कार लॉजिक और समन्वय को ग्राहक की ओर तथा सैंपलिंग और प्रशिक्षण को प्रबंधित सेवा की ओर रखता है। AWS कहता है कि कॉल के बीच मॉडल GPU मेमोरी में बना रहता है और वितरित सिंक्रोनाइज़ेशन तथा पुनर्प्राप्ति सेवा संभालती है। चित्र में चेकपॉइंट SageMaker Model Registry तक जाने और फिर Bedrock या SageMaker AI में तैनाती का रास्ता भी है। यह आर्किटेक्चर का वर्णन है, बिना रुकावट प्रशिक्षण की मापी हुई गारंटी या AISubHub द्वारा पूरी की गई तैनाती का प्रमाण नहीं।
मीटर का रुकना बिल के केवल एक हिस्से की बात है
AWS का कहना है कि ग्राहक SageMaker AI द्वारा संसाधित टोकन का भुगतान करते हैं और ग्राहक के वातावरण में पुरस्कार फ़ंक्शन जब किसी बैच का स्कोर बनाता है तो उसका शुल्क मीटर रुक जाता है। क्षमता आरक्षित करना भी आवश्यक नहीं बताया गया है। उपयोगी अंतर प्रबंधित मॉडल कार्य के भुगतान और स्कोरिंग के इंतज़ार में आरक्षित GPU के लिए लगातार भुगतान के बीच है। घोषणा में कोई संख्यात्मक टोकन दर या उदाहरण कार्य का बिल नहीं दिया गया है।
इसलिए AISubHub इस विराम को पुरस्कार मूल्यांकन, डेटा भंडारण या पूरे प्रशिक्षण प्रोजेक्ट के मुफ़्त होने का दावा नहीं बनाता। पूर्ण लागत तुलना के लिए वास्तविक टोकन मात्रा, स्कोरिंग संसाधन, भंडारण और बाद की तैनाती के शुल्क जानने होंगे। स्रोत ग्राहक द्वारा बनाई गई IAM भूमिकाओं, वैकल्पिक KMS कुंजियों और VPC विन्यास तथा डेटा और चेकपॉइंट के लिए ग्राहक के S3 बकेट का भी वर्णन करता है। AWS कहता है कि वह ग्राहक डेटा या अनुकूलित वज़न से कोई दूसरा मॉडल नहीं सिखाता। तैनाती-पूर्व मूल्यांकन, तैनाती-पश्चात guardrails और CloudWatch निगरानी भी बताए गए हैं; उनकी प्रभावशीलता स्वतंत्र रूप से जाँची नहीं गई है। ये विन्यास और प्रदाता की नीतियों के बयान हैं, सुरक्षा या नियामकीय अनुपालन के स्वतंत्र प्रमाण नहीं।
समर्थित रास्ते की ठोस शर्तें
चार मॉडल पहचानकर्ता महत्वपूर्ण हैं: gpt-oss-20b, gemma-4-31B-it, Qwen3.6-27B और Qwen3.8-27B का समर्थन उन परिवारों के हर मॉडल का समर्थन नहीं है। घोषणा का स्थानीय विकास मार्ग Linux या macOS पर Python 3.10 से 3.12 के साथ SageMaker Python SDK बताता है। Studio का अलग मार्ग भी है। cookbook skills को कोडिंग एजेंट के कार्यप्रवाह में तैयारी, तकनीक चुनने, प्रशिक्षण, मूल्यांकन और तैनाती में सहायक बताया गया है।
AWS का यह दावा कि Studio विकास वातावरण 20 सेकंड से कम में शुरू हो सकता है, वातावरण तैयार करने के बारे में है, प्रशिक्षण की अवधि या पूरा होने के SLA के बारे में नहीं। हमने SDK स्थापित नहीं किया, skills नहीं चलाए और Kiro, Claude Code, Codex या Copilot के साथ एकीकरण सत्यापित नहीं किया। लेख सभी खातों की पात्रता या हर Region में उपलब्धता भी स्थापित नहीं करता। मॉडल और रिपॉज़िटरी लाइसेंस की अपनी अलग समीक्षा चाहिए; चित्र में स्वामित्व की भाषा उस जाँच का विकल्प नहीं बन सकती।
उपलब्ध प्रमाण किन निष्कर्षों तक सीमित हैं
घोषणा में नियंत्रित बेंचमार्क के बजाय ग्राहकों के बयान हैं। ImagineSoftware बीमा दावे की अस्वीकृति के मामलों की छँटाई में प्रशिक्षण के मूल ऑपरेशन नियंत्रित करने की आवश्यकता बताता है। Karini AI Amazon Neptune ज्ञान ग्राफ से जुड़ा gpt-oss-20b बहु-टर्न टूल-कॉलिंग कार्य और चेकपॉइंट से फिर शुरू करने का सकारात्मक अनुभव बताता है। ये कथन उपयोग और उपयोगकर्ता अनुभव दर्शाते हैं; स्वतंत्र रूप से सत्यापित सटीकता, नैदानिक परिणाम या सामान्य पुनर्प्राप्ति विश्वसनीयता नहीं देते। शुरुआती दावा कि अनुकूलन सटीकता बढ़ाता और संचालन लागत घटाता है, उन लाभों को साबित करने वाला नियंत्रित कार्य, नमूना या पुनरुत्पादन योग्य प्रयोग भी नहीं देता।
AISubHub की व्यावहारिक व्याख्या दो प्रश्न अलग करके जाँचने की है: क्या प्रबंधित रनटाइम टीम के सामने आने वाला वास्तविक अवसंरचना काम हटाता है, और क्या उसका कस्टम उद्देश्य कार्य के नतीजे बेहतर करता है। पहले के लिए संचालन का अवलोकन चाहिए; दूसरे के लिए मौजूदा मॉडल या प्रक्रिया से उपयुक्त मूल्यांकन और तुलना चाहिए। केवल सामान्य उपलब्धता से कोई भी निष्कर्ष अपने आप नहीं निकलता। लिंक की गई तकनीकी गाइड, दस्तावेज़ और cookbook नहीं पढ़े गए हैं, इसलिए यह विश्लेषण पूरी पढ़ी गई घोषणा तथा उसके स्थिर चित्र तक सीमित है।
यह क्यों अहम है
कस्टम पोस्ट-ट्रेनिंग लॉजिक चाहने वाली टीमों को कार्य-विशिष्ट स्कोरिंग का नियंत्रण बनाए रखते हुए एक घोषित प्रबंधित निष्पादन विकल्प मिलता है। काम या कुल लागत घटेगी या नहीं, यह कार्यप्रवाह और मापे गए नतीजों पर निर्भर है; AISubHub ने उन लाभों को स्थापित नहीं किया है।
सीमाएँ और उपलब्धता
हमने पूरी आधिकारिक घोषणा पढ़ी और उसका आवश्यक स्थिर चित्र देखा। लिंक की गई तकनीकी गाइड, दस्तावेज़, cookbook या लाइसेंस नहीं पढ़े; API, प्रशिक्षण, शुल्क या तैनाती का कोई परीक्षण भी नहीं किया। कीमतें, कोटा, क्षेत्रीय उपलब्धता और खाता-शर्तें अप्रमाणित हैं। प्रदर्शन, सुरक्षा और ग्राहकों के नतीजों के दावों को उनके स्रोतों के कथन के रूप में ही रखा गया है।
स्रोत और प्रमाण
स्रोत की तारीख: · स्रोत जाँचा गया:
AI की सहायता से लिखे लेखों को दिए गए प्राथमिक स्रोतों से जाँचा जाता है। प्रदाता के दावों का श्रेय स्पष्ट है; सूची में होना समर्थन नहीं है।