Rapid ML experimentation for enterprises with Amazon SageMaker AI and Comet
在这篇文章中，我们展示了如何使用sagemaker和Comet一起旋转具有可重现性和实验跟踪功能的完全管理的ML环境。
Use AWS Deep Learning Containers with Amazon SageMaker AI managed MLflow
在这篇文章中，我们展示了如何将AWS DLC与MLFlow集成，以创建一个解决基础结构控制与强大ML治理的解决方案。我们将浏览您的团队可以使用的功能设置，以满足您的专业要求，同时大大减少ML生命周期管理所需的时间和资源。
Build Agentic Workflows with OpenAI GPT OSS on Amazon SageMaker AI and Amazon Bedrock AgentCore
在这篇文章中，我们展示了如何将GPT-OSS-20B模型部署到SageMaker托管端点，并演示了与Langgraph的实用库存分析仪代理助理示例，Langgraph是一个强大的基于图形的框架，可处理状态管理，协调的工作流程和持久的内存系统。
Schedule topology-aware workloads using Amazon SageMaker HyperPod task governance
在这篇文章中，我们通过提交代表层次网络信息的作业来介绍使用SageMaker HyperPod任务治理的拓扑感知调度。我们提供有关如何使用SageMaker HyperPod任务治理来优化您的工作效率的详细信息。
Was Immanuel Kant uns heute zu sagen hat
康德的想法仍然相关。启蒙运动的特征是一种发现精神，导致了科学和文化的新成就。她鼓励人们质疑假设和宗教信仰，而不是促进近距离世界观。 […]
Automate advanced agentic RAG pipeline with Amazon SageMaker AI
在这篇文章中，我们介绍了如何简化您的破布开发生命周期从实验到自动化，从而帮助您通过Amazon Sagemaker AI来运行RAG解决方案，以帮助您的团队有效地实验，有效地协作并驱动持续改进。
TII Falcon-H1 models now available on Amazon Bedrock Marketplace and Amazon SageMaker JumpStart
我们很高兴地宣布，在亚马逊基岩市场和亚马逊萨金人的Amazon Sagemaker Jumpstart上，技术创新研究所（TII）的Falcon-H1车型的可用性。通过此次发布，开发人员和数据科学家现在可以在AWS上使用六种指令调节的Falcon-H1型号（0.5b，1.5b，1.5b，1.5b，3b，7b和34b），并可以访问一系列混合体系结构，这些模型将传统注意力机制与州空间模型（SSMS）相结合，以提供具有非精致效率的效率。
Joint Teamwork Forged at Sage Eagle 25-4
弗吉尼亚州A.P.堡 - 绿色贝雷帽和支撑元素第三种特种部队集团（机载）和来自航空国民警卫队安全部队的飞行员
Accelerate your model training with managed tiered checkpointing on Amazon SageMaker HyperPod
AWS宣布在亚马逊Sagemaker Hyperpod中宣布了托管分层的检查点，这是一种专门建立的基础架构，可扩展和加速成千上万个AI加速器的生成AI模型开发。托管分层检查点使用CPU内存进行高性能检查点存储，并在相邻计算节点上自动数据复制，以增强可靠性。在这篇文章中，我们深入研究了这些概念，并了解如何使用托管分层检查点功能。
Announcing the new cluster creation experience for Amazon SageMaker HyperPod
借助新的群集创建体验，您可以单击一键创建SageMaker HyperPod群集，包括所需的先决条件AWS资源，并自动使用规定默认值。在这篇文章中，我们探索了亚马逊萨吉式制造商Hyperpod的新集群创建体验。
Introducing auto scaling on Amazon SageMaker HyperPod
在这篇文章中，我们宣布，亚马逊萨吉式超级平台现在支持karpenter的托管节点自动扩展，从而使SageMaker HyperPod簇的有效缩放能够满足推理和培训需求。我们深入研究Karpenter的好处，并提供有关在Sagemaker HyperPod EKS群集中启用和配置Karpenter的详细信息。
在这篇文章中，我们宣布，Inception Labs的Mercury和Mercury Coder基金会模型现在可以通过Amazon Bedrock Marketplace和Amazon Sagemaker Jumpstart获得。我们演示了如何部署这些基于超快速扩散的语言模型，这些模型可以在NVIDIA H100 GPU上每秒生成1,100个令牌，并在代码生成和工具使用方案中展示其功能。
Amazon SageMaker HyperPod enhances ML infrastructure with scalability and customizability
在这篇文章中，我们在SageMaker Hyperpod中介绍了三个功能，可提高ML基础架构的可扩展性和可定制性。连续供应提供灵活的资源供应，以帮助您更快地开始培训和部署模型，并更有效地管理群集。使用自定义AMIS，您可以将ML环境与组织安全标准和软件要求保持一致。
Fine-tune OpenAI GPT-OSS models using Amazon SageMaker HyperPod recipes
这篇文章是GPT-oss系列的第二部分，专注于Amazon Sagemaker AI的模型定制。在第1部分中，我们使用带有Sagemaker培训工作的开源拥抱面部库进行了微调的GPT-oss模型，该培训工作支持分布式的多GPU和多节点配置，因此您可以按需旋转高性能群集。在这篇文章中，[…]
Speed up delivery of ML workloads using Code Editor in Amazon SageMaker Unified Studio
在这篇文章中，我们介绍了如何在Sagemaker Unified Studio中使用新的代码编辑器和多个空格支持。示例解决方案显示了如何开发ML管道，该管道可以自动化典型的端到端ML活动以构建，训练，评估和（选择）部署ML模型。
在这篇文章中，我们通过使用Amazon SageMaker AI和MCP整合预测ML模型来演示如何增强AI代理的功能。通过使用开源链代理SDK和SageMaker AI的灵活部署选项，开发人员可以创建复杂的AI应用程序，将对话性AI与强大的预测分析功能相结合。
Optimizing Salesforce’s model endpoints with Amazon SageMaker AI inference components
在这篇文章中，我们分享了Salesforce AI平台团队如何优化GPU利用率，提高了资源效率并使用Amazon SageMaker AI，特别是推理组件来节省成本。
在这篇文章中，我们回顾了P6E-GB200 Ultraservers的技术规格，讨论其性能优势，并突出关键用例。然后，我们走过如何通过灵活的培训计划购买超声处理能力，并开始使用带有Sagemaker Hyperpod的Ultraservers。
