AWS於re:Invent 2025大會宣布為旗下的Amazon Bedrock與Amazon SageMaker AI平台帶來重大更新，聚焦於簡化進階模型客製化 (Model Customization) 的流程。
此次更新將解決企業佈署AI代理 (AI Agents) 時面臨的「效率」與「成本」挑戰，透過導入「強化微調」 (Reinforcement Fine Tuning, RFT)與「無伺服器模型客製化」功能，讓開發者無需具備深厚的機器學習背景，也能輕鬆訓練出更精準、更輕量且具成本效益的客製化模型，進而取代使用成本昂貴的大型通用模型。
Amazon Bedrock RFT：讓模型從回饋中學習，準確率提升66%
在Amazon Bedrock上推出的強化微調 (RFT)機制，簡化了過去極為複雜的強化學習 (Reinforcement Learning) 流程。開發者只需選擇基礎模型 (首波支援 Amazon Nova 2 Lite)，並且匯入歷史紀錄或數據集，接著設定獎勵函數 (如AI評分或規則)，系統便會自動處理端對端的微調工作。
AWS指出，強化微調機制能讓模型平均獲得66%的準確率提升。Salesforce的實測數據更顯示，在特定業務需求上，強化微調機制讓模型運作準確率提升了高達73%，同時維持其高品質執行運作與安全性。
SageMaker AI：無伺服器客製化，將原本需數月完成工作時間縮短至數天
針對需要更細粒度控制的開發者，SageMaker AI推出全新的無伺服器模型客製化功能。這項功能提供兩種模式：
• Agentic Experience (代理體驗)：由AI代理引導開發者完成從生成合成數據到評估的全過程，只需自然語言描述需求即可完成。
• Self-guided Approach (自助引導)：為進階用戶提供參數微調的彈性，同時免除基礎設施管理的負擔。
此功能支援包括Amazon Nova、Llama、Qwen、DeepSeek與GPT-OSS等多種模型，人工智慧技術業者Collinear AI便以此使其模型微調工作週期從原本數週縮短至數天。
SageMaker HyperPod：無檢查點訓練，故障恢復僅需數分鐘
此外，AWS也針對大規模模型訓練需求推出了無檢查點訓練 (Checkpointless Training)功能。
在過去，當數千顆加速器進行訓練時若發生故障，從檢查點 (Checkpoint) 恢復可能需耗時一小時左右時間。而新技術則可持續保存模型狀態，一旦故障發生時，系統會自動透過點對點傳輸從鄰近健康的加速器恢復訓練，藉此將中斷時間大幅縮短至數分鐘，讓昂貴的算力叢集利用率能維持在95%。
