2026. október 24., szombat · Eszközök

Az AWS Wordle-lel mutatja be a többlépéses megerősítéses tanítást SageMakeren

Az AWS hivatalos blogbejegyzése szerint a vállalat bemutatta a Multi-Turn Reinforcement Learning (MTRL) módszert az Amazon SageMaker AI platformon, amely nem egyetlen válaszra, hanem több lépésből álló, egymásra épülő döntéssorozatra tanít modelleket, és csak a teljes epizód végén kapott jutalomból tanul. A bemutatóhoz a Wordle szójátékot használták példaként, ahol az ügynök a tanítandó modellt hívja meg, és a SageMaker AI a Bedrock AgentCore-on vagy saját infrastruktúrán (EKS, EC2, Fargate) futó ügynöknek küld promptokat. Az AWS saját mérése szerint a módszer a gpt-oss-20b modell találati arányát alapértelmezett következtetési szint mellett 61-ről 84 százalékra, alacsony következtetési szint mellett pedig 15-ről 69 százalékra növelte, mintegy 339 dollár tanítási token-költség mellett. A bejegyzés hangsúlyozza, hogy a Wordle csak tanítópélda, a módszer célja inkább kisebb, olcsóbb modellek felkészítése vállalati, több lépésből álló munkafolyamatokra.

Egy forrás Ehhez a hírhez egy forráslink áll rendelkezésre.

Miért fontos?

Az AWS szerint a tanítási adatok, az ügynök és a betanított modell végig az ügyfél saját AWS-fiókjában maradnak, és nem kerülnek más modellek tanítására felhasználásra.

Források

AWS Machine Learning Hivatalos

Kapcsolódó témák

Napi összefoglalók AI eszközök #Amazon SageMaker AI#Multi-Turn Reinforcement Learning

Napi összefoglaló

Ez a hír a 2026. október 24., szombat napi AI összefoglaló része.

Kapcsolódó hírek

AWS: új aws-ai-ml skill a SageMaker AI következtetés-optimalizáláshoz

Az AWS bemutatta az aws-ai-ml nevű új képességet, amely az Agent Toolkit for AWS részeként érhető el, és az Amazon SageMaker AI optimalizált generatív AI következtetési szolgáltatásához kapcsolódik. A vállalat állítása szerint a Model Context Protocol (MCP) protokollt támogató kódoló ügynökök, például a Kiro, a Claude Code és a Codex, ezzel a bővítménnyel mélyreható szakértelmet kapnak a következtetési végpontok teljesítményének benchmarkolásához, a telepítési konfigurációk ajánlásához és a futtatási eredmények összehasonlításához. A skill futtatható SageMaker Python SDK v3 kódot generál, amelyet a felhasználó a saját környezetében ellenőrizhet és módosíthat, mielőtt lefuttatná. Az AWS szerint a telepítés a helyi gépen vagy a SageMaker Studio JupyterLab térben is elvégezhető, és a cég állítása szerint mindössze 10 perc alatt eljuthatunk egy működő beszélgetésig.

Az AWS bemutatta a SageMaker AI többfordulós megerősítéses tanulását kereső ügynökökhöz

Az Amazon AWS hivatalos blogbejegyzésben mutatta be, hogyan finomhangolhatók kereső ügynökök (search agent) többfordulós megerősítéses tanulással (MTRL) a SageMaker AI platformon. A cég állítása szerint a hagyományos felügyelt finomhangolás drága szakértői demonstrációkat igényel, az egylépéses megerősítéses tanulás pedig figyelmen kívül hagyja a több lépésben egymásra épülő döntések közötti összefüggéseket. Az AWS szerint az MTRL ezzel szemben a teljes döntési sorozatot optimalizálja, és a végeredmény minősége alapján ad visszajelzést, így egy kisebb, specializált modell is elérheti egy frontier modell megbízhatóságát, miközben gyorsabb és olcsóbb marad a futtatása. A bejegyzés a módszer működését és a visszakeresési minőségben mért eredményeket ismerteti, konkrét számszerű teljesítményadatok nélkül.

NVIDIA kibővítette a TensorRT motorépítő optimalizálóját

Az NVIDIA technikai blogja szerint a vállalat bemutatta a Global Performance Tuner nevű új eszközt, amely a TensorRT 11.1 verziójában jelent meg. A cég azt írja, hogy a TensorRT eddig is számos egymással összefüggő döntést hozott a gráf-átalakítások, a műveletösszevonás, a memóriaelhelyezés és a kvantálás terén egyetlen motor felépítéséhez, az új eszköz viszont testre szabható építési útvonalakat tesz lehetővé, amelyek bővítik a vizsgált megoldások körét. A blogbejegyzés szerint minden jelölt motort végponttól végpontig tesztelnek pontosság és sebesség szempontjából, és a három vezérelv a pontosságtudatos hangolás, a testre szabható építési útvonalak, valamint a nagy megoldástér, amelyből a leggyorsabb, elfogadható pontosságú verziót választják ki. A cikk ezt egy kétrészes sorozat első részének nevezi, a részletes algoritmust és architektúrát a második rész tárgyalja majd.

AWS: új SageMaker API-k egyéni betanítási ciklusokhoz

Az AWS bejelentette, hogy az Amazon SageMaker AI-hoz új training session API-kat vezetett be, amelyek feloldják az LLM-ek egyéni finomhangolásánál eddig szükséges kompromisszumot a teljes algoritmikus kontroll és az üzemeltetési egyszerűség között. A vállalat szerint az API-k nem az algoritmust, hanem a számítási infrastruktúrát absztrahálják: a forward_backward, optim_step és sample műveletek SageMaker API-hívásokká válnak, amelyeket a fejlesztők SFT-vé, preferencia-optimalizálássá vagy megerősítéses tanulássá (RL) fűzhetnek össze egy állapottartó munkamenetben, miközben a GPU-kezelést és az elosztott végrehajtást a szolgáltatás végzi. Az AWS emellett közzétette a SageMaker training sessions cookbookot, amely kész SFT- és RL-recepteket ad, köztük egy GSM8K-alapú és egy versenyprogramozási, unit tesztekkel kiértékelt RL-munkafolyamatot.