产品
别名：SageMaker AI
AWS提供的机器学习开发环境
已跟踪 6 条高相关材料
最近变化
2026-06-29 · 采用Amazon SageMaker Studio可减少80%的Jupyter环境维护成本
为什么值得关注
Amazon SageMaker AI 被反复提及时，通常意味着它正在影响产品路线、开发者工作流或 AI 产业判断。这个页面把分散材料合并成一个可持续更新的观察入口。
Build real-time voice applications with Amazon SageMaker AI and vLLM
AWS Machine Learning Blog · 8.7 分
AWS推出SageMaker AI与vLLM结合方案，实现双向流式语音转文本推理，支持实时语音助手、直播字幕等应用，显著降低延迟并消除手工构建流式传输管道的负担。
Preventing data exfiltration in machine learning environments with Amazon SageMaker AI
AWS Architecture Blog · 8.5 分
AWS通过三层安全架构实现机器学习环境数据防泄露，结合SageMaker AI与Secure Browser保障数据安全与开发效率。
Build a protein research copilot with Amazon Bedrock AgentCore
AWS Machine Learning Blog · 8.5 分
本文展示如何使用 Amazon Bedrock AgentCore 构建蛋白质研究助手，实现自然语言查询、向量相似性搜索和 AI 结果总结。
已收录 6 条与 Amazon SageMaker AI 相关的内容，按评分排序。
AWS推出SageMaker AI与vLLM结合方案，实现双向流式语音转文本推理，支持实时语音助手、直播字幕等应用，显著降低延迟。
入选理由：SageMaker AI提供原生HTTP/2双向流式传输(端口8443)，自动处理HTTP/2事件流与WebSocket协议转换
AWS通过三层安全架构实现机器学习环境数据防泄露，结合SageMaker AI与Secure Browser保障数据安全与开发效率。
入选理由：采用Amazon SageMaker Studio可减少80%的Jupyter环境维护成本
本文展示如何使用 Amazon Bedrock AgentCore 构建蛋白质研究助手，实现自然语言查询、向量相似性搜索和 AI 结果总结。
入选理由：使用 Strands Agents SDK 解析自然语言查询为结构化参数。
通过使用监督微调（SFT）和直接偏好优化（DPO）技术，可以显著提高小语言模型在Amazon SageMaker AI上的工具调用准确性。这些方法结合了高质量数据集和人类反馈，以优化模型与数字工具的交互能力。
入选理由：使用SFT和DPO技术可以提高AI代理执行复杂任务时选择正确工具的能力。
This solution provides a custom portal with embedded Amazon SageMaker AI MLflow Apps, giving teams a persistent, bookmarkable URL to the full MLflow web UI without presigned URLs or AWS Management Console access. It simplifies access management and integrates with existing SSO infrastructure.
入选理由：The solution uses a custom portal with embedded MLflow UI for easy access management.
AWS SageMaker AI 现已支持 OpenAI 兼容的 API 接口，用户只需更改端点 URL 即可通过 OpenAI SDK、LangChain 或 Strands Agents 调用 SageMaker 上的模型，无需自定义客户端或代码重写。
入选理由：SageMaker AI 端点现在提供 /openai/v1 路径，支持 Chat Completions 请求和流式响应，Bearer Token 有效期最长12小时。
