一键从Hugging Face迁移到Amazon SageMaker Studio

背景

此前，开发者在 Hugging Face 上发现一个模型后，想要在 Amazon SageMaker Studio 中开始使用，需要经历多个繁琐步骤：打开 AWS 控制台中的 Amazon SageMaker AI、创建域、配置 IAM 权限，有时还要申请 GPU 配额。对于希望快速迭代的开发人员来说，这种摩擦拖慢了从灵感涌现到动手实验的进程。新的集成方案为从模型发现到企业级部署提供了一条更直接的路径。

Arcee AI 创始人兼 CEO Mark McQuade 评论道：“在 Arcee，我们构建开放模型，让开发者和企业能够真正拥有他们运行的东西：检查权重、在自己的数据上进行后训练、按自己的方式部署。这个集成把这一承诺送到了最后一步。从 Hugging Face 上的开放模型一键直达 SageMaker Studio，然后在自己的 AWS 环境中直接微调或部署，无需任何接线——这是开放模型一直缺少的体验。你拥有的开放权重，在你控制的云中运行。这正是我们的客户一直在要求的组合。”

随着一键式 Studio 落地体验的推出，在受支持的 Hugging Face 模型页面上选择“Customize on SageMaker AI”或“Deploy on SageMaker AI”，可直接跳转到控制台。SageMaker AI 随后会自动在数秒内配置一个带有预置权限的新域，并保留模型上下文。

核心内容

本次发布引入了三种能力，缩短了从 Hugging Face 模型到可运行的 SageMaker Studio 工作流的路径。

从 Hugging Face 到 SageMaker Studio 的深度链接
在 Hugging Face 浏览模型时，受支持的模型旁边会出现操作按钮，直接映射到 SageMaker Studio 工作流：

• “Customize on SageMaker AI”：打开 Studio 中的模型定制页面，所选模型已预加载，准备微调。
• “Deploy on SageMaker AI”：打开 Studio 中的部署页面，模型已预配置为端点部署。
  每个入口点都保留了上下文，进入 Studio 后无需再次搜索模型。

预配置的权限
通过此流程创建的 Studio 新环境已预先配置好 SageMaker AI 全套能力的权限，包括模型定制、训练任务、笔记本实验和端点部署。一个名为 AmazonSageMakerModelCustomizationCoreAccess 的新托管策略会自动创建并关联。该策略提供无服务器模型定制任务的权限，支持监督微调（SFT）、直接偏好优化（DPO）、可验证奖励的强化学习（RLVR）和来自 AI 反馈的强化学习（RLAIF），并支持部署到 SageMaker AI 或 Amazon Bedrock 端点。这省去了手动创建和配置 AWS Identity and Access Management（IAM）角色和策略的步骤。对于已存在的 Studio 环境，会显示带有文档直接链接的可操作消息，引导用户添加这些权限。

GPU 配额可见性
在选择用于部署或训练的实例类型时，Studio UI 现在直接在实例选择列表中显示配额可用性。用户可以立即看到当前账户限制下哪些 GPU 实例类型（G5、G6）可用，无需单独导航到 Service Quotas。如果仍需申请增加配额，可直接重定向到对应实例类型的 Service Quotas 页面。

操作演示：从 Hugging Face 深度链接到 SageMaker Studio

1. 发现并选择：在 Hugging Face 模型页面，点击“Deploy”并选择“Amazon SageMaker AI”。若模型受支持，会看到两个按钮：“Deploy on SageMaker AI”和“Customize on SageMaker AI”。选择“Customize on SageMaker AI”。
2. 登录：系统提示使用现有凭证登录 AWS。如果已有活跃的控制台会话，此步骤自动跳过。
3. 进入 Studio：直接到达 SageMaker Studio 中的模型定制页面，模型已预选。接下来配置微调参数（训练数据、超参数、实例类型），然后提交定制任务。或者，选择“Deploy on SageMaker AI”会打开 Studio 中的端点部署页面，模型已预配置。选择实例类型（含配额可见性），审查设置并部署。
4. 测试端点：部署端点后，直接在 Studio 的端点测试界面进行推理测试。

关键要点

• 一键直达：在 Hugging Face 受支持模型上点击“Customize on SageMaker AI”或“Deploy on SageMaker AI”，可直接进入 SageMaker Studio 对应的操作页面，无需手动创建域或配置 IAM。
• 自动权限配置：新 Studio 环境会自动获得全套 SageMaker AI 权限（包括 SFT、DPO、RLVR、RLAIF 等），通过 AmazonSageMakerModelCustomizationCoreAccess 策略实现，无需手动设置 IAM 角色。
• GPU 配额透明：实例选择列表中直接显示当前配额可用性，无需额外跳转到 Service Quotas 页面；需提升配额时可一键跳转。
• 保留模型上下文：从 Hugging Face 跳转后，模型已预选，无需在 Studio 内重新搜索。
• 支持现有环境：已有 Studio 环境的用户会收到引导消息，帮助添加所需权限。
• 适用场景：兼容微调（定制）和端点部署两种常用工作流。
• 简化流程：从发现模型到开始实验，全程无需切换上下文、手动设置环境或排查权限问题。

意义与影响

这一集成的推出显著降低了从开源模型发现到企业级实验部署的摩擦。对于开发者而言，灵感涌现后可以立即在 AWS 环境中尝试微调或部署，无需在多个服务页面间重复操作。这加速了从实验到生产的迭代周期，尤其适合需要快速验证模型效果的团队。

对 Arcee 这样的开放模型构建者来说，该功能完成了“最后一公里”的承诺：用户真正拥有模型权重，又能在自己控制的云中运行，而无需自行解决基础设施配置问题。这种体验有助于吸引更多企业用户从 Hugging Face 的开放模型生态迁移到 AWS 平台，促进开放模型在商业场景中的落地。

从平台生态角度看，Hugging Face 与 SageMaker Studio 的深度链接强化了两者之间的协同，使得模型发现、定制、部署形成完整闭环。未来类似的一键集成模式可能成为云平台与模型中心合作的标准范式，进一步降低 AI 应用的入门门槛。