Personnalisation de modèles

La personnalisation des modèles Amazon SageMaker AI vous permet d'adapter les modèles de base à votre cas d'utilisation spécifique en les formant à vos données. Vous choisissez une technique de personnalisation (mode d'apprentissage du modèle), un type d'entraînement (quantité du modèle à mettre à jour) et une option d'infrastructure (où exécuter la tâche).

Présentation de

Les techniques de personnalisation définissent la manière dont votre modèle apprend à partir des données :

• SFT (supervisé Fine-Tuning) — Entraînez-vous sur des paires de réponses rapides étiquetées. Consultez SFT.

• DPO (optimisation des préférences directes) — Entraînez-vous sur les paires de réponses préférées et rejetées. Consultez DPO.

• RFT (renforcement Fine-Tuning) — Optimisation via des signaux de récompense (RLVR ou RLAIF). Consultez RFT.

• MTRL (apprentissage Multi-Turn par renforcement) — Formez les agents à des tâches agentiques en plusieurs étapes. Consultez Multi-turn apprentissage par renforcement.

• Personnalisation continue — Enchaînez les techniques de manière séquentielle. Consultez Personnalisation continue.

Les types de formation déterminent la part du modèle à mettre à jour :

• LoRA(Low-Rank Adaptation) — Entraîne un petit ensemble de poids adaptateurs. Entraînement plus rapide et à moindre coût. Consultez LoRA.

• FFT (Full Fine-Tuning) : met à jour tous les poids des modèles. Une capacité de calcul plus élevée, une personnalisation plus poussée. Consultez FFT.

Les options d'infrastructure contrôlent le déroulement de votre tâche de formation :

• Sans serveur  : entièrement géré, aucune instance sélectionnée. Idéal pour les tâches d'expérimentation et de production rapides sans frais d'exploitation. Consultez Personnalisation des modèles sans serveur.

• SageMaker Emplois de formation en IA  : emplois éphémères dans lesquels vous sélectionnez le type d'instance. Utilise des recettes pour une formation préconfigurée. Consultez SageMaker Emplois de formation en IA.

• HyperPod— Clusters persistants avec restauration après panne. Utilise des recettes pour une formation distribuée sur EKS ouSlurm. Consultez HyperPod.

Choix de votre approche

Avant de peaufiner, demandez-vous si une approche plus simple répond à vos besoins :

Ingénierie de requête

Votre modèle donne des réponses acceptables mais a besoin d'un ton, d'un format ou d'un style améliorés. Aucune formation requise, itération rapide. Voir Prompt engineering pour les modèles de fondation.

Génération augmentée de récupération (RAG)

Votre modèle ne connaît pas votre domaine spécifique. Complétez avec des sources de connaissances externes sans avoir à suivre de nouvelles formations. Voir Retrieval Augmented Generation.

Fine-tuning

Votre modèle doit constamment apprendre de nouveaux comportements, de nouveaux styles ou de nouvelles compétences dans un domaine. Entraînez-vous à partir de vos données pour modifier les poids des modèles. Continuez à lire ce guide.

Modèles pris en charge pour un réglage précis

Les modèles suivants sont disponibles à des fins de personnalisation pour les tâches sans serveur, les tâches de formation à l' SageMaker IA et HyperPod l'infrastructure.

Fournisseur	Modèle	ID du modèle	sans serveur	Emplois de formation	HyperPod
Alibaba	Qwen3.6 27B	huggingface-vlm-qwen3-6-27b	✓	✓	✓
Alibaba	Qwen3.5 27B	huggingface-vlm-qwen3-5-27b	✓	✓	✓
Alibaba	Qwen3.5 9B	huggingface-vlm-qwen3-5-9b	✓	✓	✓
Alibaba	Qwen3.5 4B	huggingface-vlm-qwen3-5-4b	✓	✓	✓
Alibaba	Qwen3 32 Go	huggingface-reasoning-qwen3-32b	✓	✓	✓
Alibaba	Qwen3 14B	huggingface-reasoning-qwen3-14b	✓	✓	✓
Alibaba	Qwen3 8B	huggingface-reasoning-qwen3-8b	✓	✓	✓
Alibaba	Qwen3 4G	huggingface-reasoning-qwen3-4b	✓	✓	✓
Alibaba	Qwen3 1,7 Go	huggingface-reasoning-qwen3-1-7b	✓	✓	✓
Alibaba	Qwen3 0,6 V	huggingface-reasoning-qwen3-06b	✓	✓	✓
Alibaba	Qwen2.5 Instruction 72B	huggingface-llm-qwen2-5-72b-instruct	✓	✓	✓
Alibaba	Qwen2.5 Instruire 32B	huggingface-llm-qwen2-5-32b-instruct	✓	✓	✓
Alibaba	Qwen2.5 Instruction 14B	huggingface-llm-qwen2-5-14b-instruct	✓	✓	✓
Alibaba	Qwen2.5 Instruire 7B	huggingface-llm-qwen2-5-7b-instruct	✓	✓	✓
DeepSeek	D1 Distillateur Qwen 32 V	deepseek-llm-r1-distill-qwen-32b	✓	✓	✓
DeepSeek	D1 Distillateur Qwen 14B	deepseek-llm-r1-distill-qwen-14b	✓	✓	✓
DeepSeek	D1 Distillateur Qwen 7B	deepseek-llm-r1-distill-qwen-7b	✓	✓	✓
DeepSeek	D1 Distillateur Qwen 1,5 V	deepseek-llm-r1-distill-qwen-1-5b	✓	✓	✓
DeepSeek	R1 Distill Lama 70B	deepseek-llm-r1-distill-llama-70b	✓	✓	✓
DeepSeek	Lama distillé R1 8B	deepseek-llm-r1-distill-llama-8b	✓	✓	✓
Google	Gemma 4 31B	huggingface-vlm-gemma-4-31b-it	✓	✓	✓
Google	Gemma 4 26B A4B	huggingface-vlm-gemma-4-26b-a4b-it	✓	✓	✓
Google	Gemma 4 E4B	huggingface-vlm-gemma-4-e4b-it	✓	✓	✓
Meta	Llama 3.3 Instruct 70B	meta-textgeneration-llama-3-3-70b-instruct	✓	✓	✓
Meta	Llama 3.2 Instruct 3B	meta-textgeneration-llama-3-2-3b-instruct	✓	✓	✓
Meta	Llama 3.2 Instruct 1B	meta-textgeneration-llama-3-2-1b-instruct	✓	✓	✓
Meta	Llama 3.1 Instruct 8B	meta-textgeneration-llama-3-1-8b-instruct	✓	✓	✓
NVIDIA	Némotron 3 Super 120B (A12B)	huggingface-llm-nvidia-nemotron-3-super-120b-a12b-bf16	✓	✓	✓
NVIDIA	Némotron 3 Nano 30B (A3B)	huggingface-reasoning-nvidia-nemotron-3-nano-30b-a3b-bf16	✓	✓	✓
IA ouverte	GPT OSS 120B	openai-reasoning-gpt-oss-120b	✓	✓	✓
IA ouverte	GPT OSS 20B	openai-reasoning-gpt-oss-20b	✓	✓	✓

Pour les modèles Amazon Nova, consultez la procédure pas à pas de Nova ci-dessous. Personnalisation des modèles sans serveur