Amazon SageMaker JumpStart 2026 年至今回顾：新增 100+ 模型、覆盖 30 家提供商

Amazon SageMaker JumpStart 是 Amazon SageMaker AI 中的一个机器学习（ML）中心，提供精选的 AI 模型、解决方案模板和示例笔记本目录。它缩短了从模型选择到部署所需的时间。你可以用它来评估开源大语言模型（LLM）、部署用于文档理解的视觉模型，或在你自己的数据上微调紧凑型模型。

SageMaker JumpStart 服务于三个主要用例：

• 模型发现与评估 — 浏览来自 Alibaba（Qwen）、NVIDIA、Google、Mistral、Cohere、IBM 等提供商的数百个基础模型（FM）。每个模型卡片都包含架构详情、基准测试、许可信息和示例笔记本。
• 一键部署 — 将你选择的模型部署到 SageMaker 实时推理端点，预配置的设置针对你的工作负载进行了优化（低成本、低延迟、高吞吐量或均衡）。无需手动配置容器或实例。
• 模型定制 — 直接从控制台或 SDK 微调模型，使用低秩适应（LoRA）、监督微调（SFT）、直接偏好优化（DPO）和可验证奖励强化学习（RLVR）等技术。无服务器定制选项可减少基础设施管理。

你可以通过 SageMaker Studio 控制台（Models → JumpStart models）、通过 SageMaker Python SDK 以编程方式，或使用最近推出的深度链接集成直接从 Hugging Face 访问 SageMaker JumpStart。

2026 年新增模型一览

从 2026 年 1 月到 9 月，SageMaker JumpStart 在 30 个不同提供商处新增了 100 多个模型。这代表了目录的显著扩展，其驱动力是开源模型发布步伐的加快，以及客户对跨模型架构、规模和能力的选择需求日益增长。

以下是主要贡献者的细分以及我们 SageMaker JumpStart 页面的链接：

• Alibaba（Qwen）： 29 个模型，涵盖推理（Qwen 3.8-27B）、大规模混合专家（Qwen3.5-122B-A10B）、智能体工作流（Qwen-AgentWorld-35B-A3B）、代码生成（Qwen3-Coder-Next、Qwen 3 Coder 30B）、语音识别（Qwen3-ASR-1.7B）、文本转语音（Qwen3-TTS）、嵌入（Qwen3-VL-Embedding-2B）和重排序（Qwen3-Reranker-4B）。
• NVIDIA： 17 个模型，包括 Cosmos3 世界基础模型系列（Super、Edge、Nano）、Cosmos Reason 7B、MSA-Search、Nemotron 3.5 Lightning、Nemotron-3-Super-120B（FP8 和 BF16）、Nemotron3 Ultra、Nemotron-Nano-12B-v2、Nemotron 3 Nano Omni（多模态）以及用于视觉语言的 Nemotron 3.5 Super VL。
• Mistral： 7 个模型，包括 Ministral-3 系列（3B、8B、14B 的标准版和 BF16 版）以及用于语音的 Voxtral-Mini-4B-Realtime。
• Google： 6 个 Gemma 4 变体，包括 gemma-4-31B-it、E2B-it、E4B-it、26B-A4B-it、assistant 和 NVFP4 量化版。
• IBM： 4 个模型，包括 Granite 4.0 h-micro/small/tiny 和 granite-speech-4.1-2b，用于跨 6 种语言的多语言自动语音识别（ASR）。
• Cohere： 4 个模型，包括 Command A（A100）以及用于检索增强的 Rerank v3.5、v4.0 Fast 和 v4.0 Pro。
• 其他： 来自 MiniMax、Zhipu AI (GLM)、DeepSeek、Moonshot AI、Allen AI、Microsoft、Meta (Muse Spark)、Reflection (Beam)、Black Forest Labs、JetBrains、OpenBMB、BharatGenAI、Kakao、OpenFold 等机构的 33 个模型。

模型上架亮点

2026 年上架的模型体现了我们在扩展 SageMaker JumpStart 目录时的几个重点方向。这些不仅是行业趋势，更代表了客户需求强劲、且我们有机会帮助客户在 SageMaker 上构建生产级 AI 应用的领域。

扩展 NVIDIA 开放模型组合

NVIDIA 是我们的重要模型提供商之一，2026 年其贡献远不止语言模型。Cosmos3 世界基础模型提供 Super、Edge 和 Nano 三个层级，将视频生成、物理仿真和动作规划整合到单一架构中，面向机器人、自主系统和数字孪生等物理 AI 应用。结合从高效边缘推理（Nano-12B）到大规模推理（Super-120B）的 Nemotron 系列模型，SageMaker JumpStart 现已提供广泛的 NVIDIA 开放模型组合。如果你基于 NVIDIA 硬件构建，可以使用优化容器和预配置端点将这些模型部署到 SageMaker 上。

弥合多模态差距

客户工作负载越来越需要处理文本以外内容的模型。2026 年，我们优先上架了原生支持视觉、语音和文档理解的模型。NVIDIA Nemotron 3 Nano Omni 在单一模型中处理文本、视觉和语音。Google Gemma 4 在多种规模上增加了视觉语言能力。IBM granite-speech-4.1-2b 支持六种语言的语音识别和翻译。Mistral Voxtral-Mini 支持实时语音理解。这些新增模型意味着客户可以避免为多模态工作负载串联独立的预处理模型。

让创意 AI 触手可及

2026 年，图像和视频生成从细分领域走向主流。我们上架了 Black Forest Labs 的 FLUX.2 Small Decoder 和 FLUX.2-klein-base-4B 用于快速文生图，Meta Muse-Glimmer-30B 用于多模态智能体工作流，以及 NVIDIA Cosmos3 用于视频生成。借助这些模型，你可以用与语言模型相同的一键部署体验来使用创意 AI 能力。

优先考虑高效和量化模型

并非每个工作负载都需要前沿规模的模型，许多客户在进入生产阶段时专注于优化推理成本。我们上架了多个量化和紧凑模型：Zhipu AI GLM-5.2 FP8 在降低内存占用的同时提供强劲性能。JetBrains Mellum2-12B 采用混合专家架构，仅用 2.5B 活跃参数进行代码生成。OpenBMB MiniCPM5-1B 将多模态能力压缩到 10 亿参数中。Microsoft Phi-4-mini-instruct 和 IBM Granite 4.0 h-tiny 表明，紧凑模型可以在 ml.g5.xlarge 等实例类型上服务生产工作负载。这些模型可以针对特定用例优化延迟和总拥有成本（TCO）。

上架面向特定任务的专用模型

通用大语言模型功能多样，但专用模型针对特定任务进行了优化。2026 年，我们引入了 Qwen-AgentWorld-35B-A3B，用于支持原生工具调用的自主 AI 工作流。GLM-OCR、LightOnOCR 和 DeepSeek-OCR 负责文档文本提取。Qwen3-Reranker-4B 和 Cohere Rerank v4.0 提升了检索增强生成（RAG）流水线中的检索精度。langcache-embed-v3-small 为语义搜索提供轻量级嵌入。Qwen3-ASR 和 Qwen3-TTS 带来语音识别与合成能力。OpenFold3 支持面向科学计算的蛋白质结构预测。借助这些模型，你可以构建流水线，让每个阶段都使用适合该任务的专用工具，而不是强迫单个模型完成所有工作。

扩大提供商多样性

降低模型选择中的集中度风险对企业客户至关重要。2026 年，我们将模型目录扩展到包含 30 家提供商，相比前几年更为集中的组合有所增加。阿里巴巴 Qwen 是单一最大贡献者，共有 29 个模型，涵盖推理、编码、语音和检索。智谱 AI 和 DeepSeek 增加了具有竞争力的 LLM 和专用 OCR。MiniMax 和 Moonshot AI 贡献了新兴架构。Cohere 带来可靠的重排序能力。BharatGenAI 和 Kakao 扩展了区域模型覆盖。这种广度为客户在性能、成本、许可和语言支持方面提供了更多选择。

2026 年 SageMaker JumpStart 增强功能

除模型引入外，SageMaker JumpStart 还在 2026 年推出了重大改进，减少了从发现到部署的整个模型生命周期中的摩擦。

SageMaker AI 控制台上的简化 Model Hub

此前，发现 SageMaker JumpStart 模型需要导航进入 SageMaker Studio，并在左侧导航中找到 SageMaker JumpStart 部分。新的 Model Hub 体验将完整的 SageMaker JumpStart 目录直接呈现在 SageMaker AI 控制台着陆页上。你可以按类别浏览模型，并按输入/输出模态、发布者、模型大小、许可证和框架进行筛选。你还可以查看示例笔记本，并一键在 Studio 中打开模型。这避免了拖慢初始探索的多步导航。

预配置端点部署选项

为模型部署选择合适的实例类型、服务容器和优化设置，通常需要在数十种组合中手动进行基准测试。SageMaker JumpStart 现在提供命名的部署配置，并带有以下优化选项：

• 均衡 — 在成本、延迟和吞吐量之间为通用工作负载做出均衡权衡。
• 吞吐量优化 — 使用 Speculative Decoding 等技术实现最大每秒 token 数，非常适合高容量批处理。
• 延迟优化 — 最低的首 token 时间（TTFT），优先考虑交互式应用的速度。
• 成本优化 — 最低的每请求基础设施成本，适合可以接受更高延迟的工作负载。

这些配置包括针对 AWS Inferentia 和 AWS Trainium 实例的 Neuron 优化设置，可降低部署复杂性和基础设施成本。你可以使用合适的优化配置文件一键部署模型，而不必花费数周手动对配置进行基准测试。

Hugging Face 深度链接集成

与 Hugging Face 的全新集成将模型发现直接连接到 SageMaker Studio，适用于已接入的模型。在 Hugging Face 上浏览模型时，你可以选择 Deploy on SageMaker AI 或 Customize and Deploy on SageMaker AI。你会直接进入一个已配置好的 Studio 环境，模型已预加载、权限已预配置，并内置了 GPU 配额可见性。这样便无需在开始实验前设置 AWS Identity and Access Management (IAM) 角色、创建域或配置权限。

开始使用

有三种方式可以开始使用 SageMaker JumpStart：

• SageMaker Studio 控制台 — 打开 SageMaker Studio，导航到 Models → JumpStart models，然后浏览目录。选择一个模型查看其详细信息，然后选择 Deploy 或 Customize。
• SageMaker Python SDK — 使用 SageMaker Python SDK 以编程方式部署模型。访问 SageMaker JumpStart 模型目录 获取 SDK 示例和部署指南。

• Hugging Face 深度链接 — 浏览 HuggingFace Model Hub 并选择 Deploy on SageMaker AI ，即可直接进入 Studio 使用 SageMaker JumpStart 已接入的模型。

SageMaker JumpStart 上的每个模型都包含部署配置、示例笔记本和文档。如需动手实践演练，请参阅我们的相关博客文章“Deploy and evaluate models with Amazon SageMaker JumpStart”。

结论

2026 年前三个季度对 Amazon SageMaker JumpStart 而言是一段取得重大进展的时期。随着来自 30 家提供商的 100 多个新模型接入，目录现已覆盖广泛的能力范围。这些包括前沿推理模型、多模态视觉语言模型、用于图像和视频生成的创意 AI、语音识别与合成、光学字符识别 (OCR) 与文档理解、用于 RAG 的嵌入与检索模型、代理式工作流模型，以及专业科学计算模型。

这些接入优先级反映了我们看到的最强劲客户需求，以及在 AWS 上加速 AI 采用的最大机会。它们包括扩展产品组合、缩小多模态差距、让创意 AI 更易获取、优先考虑效率与量化、接入专用模型，以及拓宽提供商多样性。

结合简化版 Model Hub、预配置部署选项和 Hugging Face 深度链接集成等增强功能，SageMaker JumpStart 持续降低模型发现与生产部署之间的门槛。访问 SageMaker JumpStart 模型目录 探索完整阵容。

后续步骤

有许多方式可以开始使用 SageMaker JumpStart。亲自尝试其中一种吧！

• 评估模型并选择适合你的模型
• 了解如何从 HuggingFace 部署到 SageMaker Studio
• 在基于案例的部署中使用预训练模型
• 在 SageMaker HyperPod 上设计Physical AI 模型工厂

关于作者

Vamsi Goparaju

Vamsi 在 AWS 领导市场推广（GTM）与收入加速计划，为客户提供 Inference 和 ModelOps 工作负载支持，并推动 Amazon SageMaker AI、JumpStart 和生成式 AI 的开源软件用例与产品功能。他拥有超过 16 年的经验，先后任职于 AWS、Dell 和 Infosys，在云、高性能计算（HPC）、人工智能（AI）、机器学习（ML）和分析领域兼具技术深度与业务知识。他拥有德克萨斯 A&M 大学 Mays 商学院的 MBA 学位。

Naidile Murali

Naidile 是 AWS 的产品经理，常驻华盛顿州贝尔维尤。她专注于提升 Amazon SageMaker AI 上的 AI/ML 开发者体验，包括入门引导、IDE 连接和 GPU 容量管理。加入 AWS 之前，她曾在汇丰银行担任软件工程师。Naidile 拥有乔治城大学的 MBA 学位。

Dan Ferguson

Dan 是 AWS 的解决方案架构师，常驻美国纽约。作为机器学习服务专家，Dan 致力于帮助客户高效、有效且可持续地集成 ML 工作流。

Gula Nurmatova

Gula 是 AWS 的软件开发经理，常驻美国纽约。她领导 Amazon SageMaker JumpStart 背后的工程团队，让来自 NVIDIA、Meta 和 Mistral 等提供商的基础模型能够轻松地在 SageMaker 和 Amazon Bedrock 上被发现、评估和部署。加入 AWS 之前，她曾在 RTX 和 GE 担任工程及工程管理职务，并拥有计算机科学硕士学位。