آمازون وب سرویسز می‌خواهد زحمت سخت‌افزاری آموزش سفارشی مدل‌ها را از دوش تیم‌ها بردارد، بی‌آنکه روش کار را به آن‌ها دیکته کند. این شرکت ۲۲ اکتبر قابلیت training sessions را در Amazon SageMaker AI به‌طور عمومی عرضه کرد؛ قابلیتی که سرویس سفارشی‌سازی بدون سرور مدل‌ها را، که در دسامبر ۲۰۲۵ راه افتاده بود، گسترش می‌دهد. توسعه‌دهندگان اکنون می‌توانند منطق پس‌آموزش خود را، از تنظیم دقیق معمول تا یادگیری تقویتی آزمایشی، خودشان بنویسند و AWS تأمین و اجرای GPUها را در پس‌زمینه بر عهده دارد.
تا پیش از این، گزینهٔ بدون سرور SageMaker مثل یک منو کار می‌کرد. مشتری یک مدل و یک روش، مثلاً تنظیم دقیق نظارت‌شده، بهینه‌سازی مستقیم ترجیحات یا یکی از چند روش یادگیری تقویتی، را انتخاب می‌کرد و AWS کار را اجرا می‌کرد. training sessions خود حلقهٔ آموزش را در اختیار کاربر می‌گذارد. توسعه‌دهنده یک نشست دارای حالت باز می‌کند و هر گام را با فراخوانی API و از طریق عملیاتی به نام‌های forward_backward() و optim_step() و sample() انجام می‌دهد. مدل در فاصلهٔ فراخوانی‌ها در حافظهٔ GPU می‌ماند و AWS تخصیص سخت‌افزار، بارگذاری وزن‌های مدل و LoRA، توزیع کار میان تراشه‌ها، بازیابی پس از خطا و ذخیرهٔ نقاط بازگشت را مدیریت می‌کند.
این تقسیم کار بیش از همه برای عامل‌های هوش مصنوعی اهمیت دارد. یادداشت معرفی AWS روش Group Relative Policy Optimization را شرح می‌دهد که در آن مدل برای یک درخواست چند پاسخ می‌نویسد، کد خود مشتری به آن‌ها امتیاز می‌دهد و این امتیازها به‌روزرسانی بعدی را هدایت می‌کنند. کد پاداش و اتصال به ابزارها یا شبیه‌سازها در محیط مشتری اجرا می‌شود، پس می‌توان عامل را روی کارهای چندمرحله‌ای و در برابر سامانه‌های واقعی آموزش داد. هزینه بر اساس توکن‌های پردازش‌شده در SageMaker محاسبه می‌شود و به گفتهٔ AWS، در زمان امتیازدهی به یک دسته، شمارش متوقف می‌شود و نیازی به رزرو ظرفیت نیست.
این سرویس در آغاز از gpt-oss-20b، gemma-4-31B-it، Qwen3.6-27B و Qwen3.8-27B در مناطق US East (N. Virginia)، US West (Oregon) و Asia Pacific (Mumbai) پشتیبانی می‌کند. VentureBeat با بررسی مستندات AWS دریافته که همهٔ مدل‌ها در همهٔ مناطق ارائه نمی‌شوند و سهمیهٔ پیش‌فرض اجازهٔ دو نشست هم‌زمان را می‌دهد. AWS همچنین مجموعه‌ای از دستورالعمل‌های آمادهٔ SFT و یادگیری تقویتی و نیز skills منتشر کرده تا دستیارهای برنامه‌نویسی مانند Kiro، Claude Code، Codex و GitHub Copilot بتوانند آماده‌سازی داده، آموزش و ارزیابی را پیش ببرند.
در این اعلامیه از دو مشتری اولیه نام برده شده است. ImagineSoftware با این API مدلی مبتنی بر یادگیری تقویتی ساخته که درخواست‌های ردشدهٔ بازپرداخت هزینه‌های درمانی را دسته‌بندی می‌کند و Karini AI مدل gpt-oss-20b را برای فراخوانی چندمرحله‌ای ابزارها روی یک گراف دانش Amazon Neptune تنظیم کرده است. هر دو از کنترل بیشتر و پیکربندی ساده‌تر تعریف کرده‌اند، اما هیچ رقمی دربارهٔ دقت، هزینه یا سرعت ارائه نداده‌اند. نشست‌ها با نقش IAM ساختهٔ مشتری اجرا می‌شوند، می‌توانند از کلیدهای KMS مشتری و شبکهٔ خصوصی استفاده کنند و داده‌ها و نقاط بازگشت را در مخزن‌های S3 مشتری نگه می‌دارند. AWS می‌گوید از این داده‌ها یا وزن‌های حاصل برای آموزش مدل‌های دیگر استفاده نمی‌کند.
با این عرضه، AWS وارد حوزه‌ای می‌شود که پیش‌تر بازیگران کوچک‌تر باز کرده بودند. VentureBeat از Tinker، محصول Thinking Machines Lab، به‌عنوان سرویسی بسیار نزدیک نام می‌برد که آن هم منطق آموزش را از مدیریت GPU جدا می‌کند و برای ورودی، تولید پاسخ و آموزش جداگانه هزینه می‌گیرد. برگ برندهٔ AWS یکپارچگی با کنترل‌های هویت، رمزگذاری و ذخیره‌سازی است که شرکت‌ها از قبل روی ابر آن به کار می‌برند.
چند پرسش عملی همچنان بی‌پاسخ است. یادداشت معرفی هیچ نرخ دلاری یا نمونهٔ صورت‌حساب آموزشی ارائه نمی‌دهد و خواننده را به صفحهٔ قیمت‌ها ارجاع می‌دهد؛ بنابراین هنوز روشن نیست که صورت‌حساب مبتنی بر توکن برای یک بار کاری مشخص به‌صرفه‌تر از اجارهٔ سرورهای اختصاصی است یا نه. همان‌طور که VentureBeat یادآوری کرده، نوشتن حلقهٔ آموزش مسئولیت تعیین اینکه مدل چه باید بیاموزد و چگونه ارزیابی شود را هم به مشتری می‌سپارد.