2026 年 10 月 22 日，美國 AWS 喺自家 blog 宣佈 Amazon SageMaker AI 嘅「serverless 模型自訂」功能擴展，推出「training sessions」（訓練會話）API，並同時達到正式可用（GA）。
核心賣點只有一句：以前你要自訂訓練，就同時要自管 GPU、cluster、分佈式配置；而家你可以自己寫訓練循環（training loop），SageMaker AI 處理 GPU allocation、distributed execution、fault recovery、gradient synchronization 同 checkpoint storage。廠商原話係「You write the training loop, and SageMaker AI runs the infrastructure」。
點樣運作
API 將 forward_backward()、optim_step()、sample() 等操作變成 SageMaker API call，呼叫一個 live、stateful 嘅 GPU session。模型（base model 加 LoRA adapter）喺 GPU 上保持加載，用户決定調用次數，唔使預先寫 config 文件或開 cluster。SDK 用三個 client：ServiceClient 管平台設定（execution role、S3 output、KMS key、VPC），並 instantiate 出 TrainingClient 負責訓練同 checkpoint。
技術範圍：SFT、DPO、RLVR、RLAIF、multi-turn RL 都可以；LoRA 或 full fine-tuning 都可以；多項技術可以串接做連續自訂。
同 cookbook 同 agent
同步推出嘅有「SageMaker AI training sessions cookbook」，提供可執行嘅 SFT 同 RL recipe 作藍圖。Blog 仲提到「model customization agent skills」——你描述 use case，agent 處理資料準備、技術選擇、訓練、評估、部署，並稱可喺 SageMaker Studio、Kiro、Claude Code、Codex、GitHub Copilot 運行。呢段係廠商聲稱，本站未實測。
客户引述
ImagineSoftware 嘅 Rob Gontarek（Data Science SVP）喺公告引述話，佢哋用 training sessions 做醫療 claim denial triage 模型，讚低層 API 俾科學家「fine-grained control」，可以對 accuracy-critical 場景做 RL。
模姐驗嚇貨
呢度嘅賣點真係清晰：抽象分界由「抽走算術」改為「抽走算力」。對開發者而家最大嘅痛點唔係寫唔到 RL loop，而係寫到都要自己搞基建。將呢條線拉低一層，理論上 algorithmic freedom 同運維簡單化可以同時有。
但有三樣嘢要留待審：
第一，呢個係廠商自宣。冇獨立測試、冇第三方跑過嘅 benchmark、冇可對照嘅舊版比較。GA 唔等於是無痛過渡。
第二，stateful session 喺雲端 GPU 上「保持加載」，模型同 LoRA adapter 嘅存放、跨用户隔離（tenant isolation）點做，blog 冇交代具體機制，只係一句「the service handles...」。呢個係私隱同數據治理嘅核心問題，唔該再追。
第三，支持「alignment algorithm published last week」呢句，暗示技術可以即寫即跑。但新 alignment 方法嘅安全風險、是否會產生有害行為，平台層面有冇任何 guardrail 或評估門檻，材料冇提。
