從Hugging Face一鍵直達Amazon SageMaker Studio

今天，Hugging Face與Amazon SageMaker AI宣佈推出深度鏈接集成，開發者現在可以通過一鍵操作，從Hugging Face的模型發現頁面直接進入Amazon SageMaker Studio進行實踐。無論是微調來自Amazon SageMaker JumpStart的基礎模型（FM），還是將其部署到Amazon SageMaker Inference端點，用户都可以直接進入相關的SageMaker Studio工作流程，所選模型已預加載，環境完全配置好，隨時可以使用。

此前，在Hugging Face發現模型後，要進入SageMaker Studio需要多個步驟，包括打開AWS管理控制台中的Amazon SageMaker AI、創建域、配置AWS Identity and Access Management (IAM) 權限，有時還需要申請GPU配額。對於希望快速迭代的開發者來説，這種摩擦減慢了從靈感到實驗的進程。而此次集成創建了一條從發現到企業部署的更直接路徑。

Arcee AI的創始人兼CEO Mark McQuade表示：“在Arcee，我們構建開放模型，讓開發者和企業能夠真正擁有他們運行的東西：檢查權重、用自己的數據進行後訓練，並按自己的方式部署。這個集成將這一承諾帶到了最後一英里。從Hugging Face上的開放模型一鍵進入SageMaker Studio，然後在自己的AWS環境中微調或部署，無需任何連接——這正是開放模型所缺失的體驗。你擁有的開放權重，運行在你控制的雲中。這正是我們客户一直要求的組合。”

此次發佈引入了三項新功能，縮短了從Hugging Face模型到工作SageMaker Studio工作流程的路徑：

從Hugging Face到SageMaker Studio的深度鏈接 在Hugging Face瀏覽模型時，支持的模型旁會出現直接映射到SageMaker Studio工作流程的操作按鈕：“Customize on SageMaker AI”打開Studio中的模型自定義頁面，模型已預加載，可以立即微調；“Deploy on SageMaker AI”打開Studio中的部署頁面，模型已預配置用於端點部署。每個入口點都保留上下文，無需在Studio內再次搜索模型。

預配置權限 通過此流程創建的新Studio環境已配置好完整權限，涵蓋模型自定義、訓練作業、筆記本實驗和端點部署。新的託管策略AmazonSageMakerModelCustomizationCoreAccess會自動創建並附加，提供使用監督微調（SFT）、直接偏好優化（DPO）、可驗證獎勵的強化學習（RLVR）和來自AI反饋的強化學習（RLAIF）進行無服務器模型自定義作業的權限，並支持部署到SageMaker AI或Amazon Bedrock端點。這消除了手動創建和配置IAM角色和策略的需求。對於現有Studio環境，會顯示帶有直接鏈接的可操作消息，引導用户添加這些權限。

GPU配額可見性 在選擇用於部署或訓練的實例類型時，Studio UI現在直接在實例選擇列表中顯示配額可用性。用户可以立即看到賬户當前限制下哪些GPU實例類型（G5、G6）可用，無需單獨導航到Service Quotas。如果需要申請增加配額，用户會被直接重定向到相應實例類型的Service Quotas頁面。

操作演示：從Hugging Face深度鏈接到SageMaker Studio 步驟1：在Hugging Face模型頁面上，為支持的模型選擇“Customize on SageMaker AI”。步驟2：使用現有AWS憑證登錄（如果已有活動控制台會話，此步驟自動跳過）。步驟3：直接進入SageMaker Studio中的模型自定義頁面，模型已預選。然後配置微調參數，如訓練數據、超參數和實例類型，提交自定義作業。或者，選擇“Deploy on SageMaker AI”會打開端點部署頁面，模型已預配置。選擇實例類型（包含配額可見性），審查設置，然後部署。步驟4：部署端點後，直接從Studio的端點測試界面測試推理。

要開始體驗，瀏覽Hugging Face上的模型，查找支持模型旁的“Customize on SageMaker AI”或“Deploy on SageMaker AI”按鈕，選擇並按照簡化的登錄流程操作，即可在完全配置的SageMaker Studio環境中開始構建。

這一鍵Studio體驗最大程度地減少了從發現模型到實驗之間的摩擦。通過將Hugging Face直接連接到SageMaker Studio工作流程，開發者可以保持工作流不中斷，無需上下文切換、手動環境設置或權限故障排除。