从Hugging Face一键直达Amazon SageMaker Studio

今天，Hugging Face与Amazon SageMaker AI宣布推出深度链接集成，开发者现在可以通过一键操作，从Hugging Face的模型发现页面直接进入Amazon SageMaker Studio进行实践。无论是微调来自Amazon SageMaker JumpStart的基础模型（FM），还是将其部署到Amazon SageMaker Inference端点，用户都可以直接进入相关的SageMaker Studio工作流程，所选模型已预加载，环境完全配置好，随时可以使用。

此前，在Hugging Face发现模型后，要进入SageMaker Studio需要多个步骤，包括打开AWS管理控制台中的Amazon SageMaker AI、创建域、配置AWS Identity and Access Management (IAM) 权限，有时还需要申请GPU配额。对于希望快速迭代的开发者来说，这种摩擦减慢了从灵感到实验的进程。而此次集成创建了一条从发现到企业部署的更直接路径。

Arcee AI的创始人兼CEO Mark McQuade表示：“在Arcee，我们构建开放模型，让开发者和企业能够真正拥有他们运行的东西：检查权重、用自己的数据进行后训练，并按自己的方式部署。这个集成将这一承诺带到了最后一英里。从Hugging Face上的开放模型一键进入SageMaker Studio，然后在自己的AWS环境中微调或部署，无需任何连接——这正是开放模型所缺失的体验。你拥有的开放权重，运行在你控制的云中。这正是我们客户一直要求的组合。”

此次发布引入了三项新功能，缩短了从Hugging Face模型到工作SageMaker Studio工作流程的路径：

从Hugging Face到SageMaker Studio的深度链接 在Hugging Face浏览模型时，支持的模型旁会出现直接映射到SageMaker Studio工作流程的操作按钮：“Customize on SageMaker AI”打开Studio中的模型自定义页面，模型已预加载，可以立即微调；“Deploy on SageMaker AI”打开Studio中的部署页面，模型已预配置用于端点部署。每个入口点都保留上下文，无需在Studio内再次搜索模型。

预配置权限 通过此流程创建的新Studio环境已配置好完整权限，涵盖模型自定义、训练作业、笔记本实验和端点部署。新的托管策略AmazonSageMakerModelCustomizationCoreAccess会自动创建并附加，提供使用监督微调（SFT）、直接偏好优化（DPO）、可验证奖励的强化学习（RLVR）和来自AI反馈的强化学习（RLAIF）进行无服务器模型自定义作业的权限，并支持部署到SageMaker AI或Amazon Bedrock端点。这消除了手动创建和配置IAM角色和策略的需求。对于现有Studio环境，会显示带有直接链接的可操作消息，引导用户添加这些权限。

GPU配额可见性 在选择用于部署或训练的实例类型时，Studio UI现在直接在实例选择列表中显示配额可用性。用户可以立即看到账户当前限制下哪些GPU实例类型（G5、G6）可用，无需单独导航到Service Quotas。如果需要申请增加配额，用户会被直接重定向到相应实例类型的Service Quotas页面。

操作演示：从Hugging Face深度链接到SageMaker Studio 步骤1：在Hugging Face模型页面上，为支持的模型选择“Customize on SageMaker AI”。步骤2：使用现有AWS凭证登录（如果已有活动控制台会话，此步骤自动跳过）。步骤3：直接进入SageMaker Studio中的模型自定义页面，模型已预选。然后配置微调参数，如训练数据、超参数和实例类型，提交自定义作业。或者，选择“Deploy on SageMaker AI”会打开端点部署页面，模型已预配置。选择实例类型（包含配额可见性），审查设置，然后部署。步骤4：部署端点后，直接从Studio的端点测试界面测试推理。

要开始体验，浏览Hugging Face上的模型，查找支持模型旁的“Customize on SageMaker AI”或“Deploy on SageMaker AI”按钮，选择并按照简化的登录流程操作，即可在完全配置的SageMaker Studio环境中开始构建。

这一键Studio体验最大程度地减少了从发现模型到实验之间的摩擦。通过将Hugging Face直接连接到SageMaker Studio工作流程，开发者可以保持工作流不中断，无需上下文切换、手动环境设置或权限故障排除。