Bring your own model with Amazon SageMaker AI: Script mode in SDK v3
AWS 博客于 2026-08-26 发布文章，介绍 SageMaker Python SDK v3 中脚本模式的重新设计，统一了 ModelTrainer 和 ModelBuilder 类，并通过两个端到端示例（scikit-learn 随机森林和 Stable Diffusion 3.5 LoRA 微调）展示 SourceCode 如何在运行时将本地代码同步到容器中，从而无需重建 Docker 镜像即可迭代。
发展脉络
- 首次出现Bring your own model with Amazon SageMaker AI: Script mode in SDK v3AWS Machine Learning Blog
- 当前判断AWS 此举表明云厂商正通过简化自定义模型训练和部署流程，降低企业采用 AI 的门槛。脚本模式的改进可能吸引更多中小型团队使用 SageMaker，从而加剧与其它 MLOps 平台的竞争。这也反映了行业趋势：从提供预置模型转向支持用户自带模型和代码，强调灵活性和可移植性。Agent Pulse · 分析
AWS 发布了关于 SageMaker Python SDK v3 中脚本模式重新设计的博客文章。SDK v3 引入了统一的 ModelTrainer 和 ModelBuilder 类，简化了自带模型（BYOM）的流程。文章提供了两个端到端示例：一个使用 scikit-learn 的随机森林模型，另一个是多 GPU 的 Stable Diffusion 3.5 LoRA 微调。关键特性是 SourceCode 组件，它允许在运行时将本地代码同步到任何容器中，从而无需重建 Docker 镜像即可快速迭代。这降低了自定义模型训练和部署的复杂性，使开发者能够更灵活地使用自己的代码和框架。
SDK v3 的脚本模式通过 SourceCode 实现了代码与容器的解耦，使得开发迭代不再依赖镜像重建。统一的 ModelTrainer 和 ModelBuilder 类可能简化了从训练到部署的转换。对于多 GPU 微调场景，SDK 可能提供了更便捷的分布式训练配置。这一变化可能影响 MLOps 工作流，减少镜像构建的等待时间，但具体性能提升和功能细节需进一步验证。
AWS 此举表明云厂商正通过简化自定义模型训练和部署流程，降低企业采用 AI 的门槛。脚本模式的改进可能吸引更多中小型团队使用 SageMaker，从而加剧与其它 MLOps 平台的竞争。这也反映了行业趋势：从提供预置模型转向支持用户自带模型和代码，强调灵活性和可移植性。
对于企业而言，脚本模式减少了模型开发周期，降低了运维成本，因为无需频繁构建和存储 Docker 镜像。这可以加速 AI 项目的落地，尤其适合需要快速实验和迭代的团队。同时，统一的类设计可能降低学习成本，提高开发效率。
未来，SageMaker SDK v3 可能会进一步集成更多框架和硬件支持，并优化 SourceCode 的同步效率。随着脚本模式的成熟，企业可能更倾向于在云上运行自定义训练任务，减少本地基础设施投入。可关注后续 SDK 版本更新和用户反馈，以评估其实际采用率。