从 Hugging Face 一键直达 Amazon SageMaker Studio

来源：https://huggingface.co/blog/amazon/one-click-to-sagemaker-studio
返回文章列表 (https://huggingface.co/blog)

Hazim Qudah 的头像 (https://huggingface.co/hqudah)

• 新功能
• 从 Hugging Face 到 SageMaker Studio 的深度链接
• 预配置权限
• GPU 配额可见性
• 操作指南：从 Hugging Face 深度链接到 SageMaker Studio
  • 第 1 步：发现并选择
  • 第 2 步：登录
  • 第 3 步：进入 Studio
  • 第 4 步：测试你的端点
• 开始使用
• 总结

今天，我们激动地宣布 Hugging Face (https://huggingface.co/) 与 Amazon SageMaker AI (https://aws.amazon.com/sagemaker/ai/studio/) 之间的深度链接集成。开发者现在只需一次选择，就能从模型发现直接跳转到 SageMaker Studio 中的动手实验。无论你是要从 Amazon SageMaker JumpStart (https://aws.amazon.com/sagemaker/ai/jumpstart/) 微调基础模型 (FM)，还是将其部署到 Amazon SageMaker Inference (https://aws.amazon.com/sagemaker/ai/deploy/) 端点，现在都能直接进入相应的 SageMaker Studio 工作流。所选模型已预加载，环境已完全配置，随时可用。

以前，在 Hugging Face 上发现模型后，想要在 SageMaker Studio 上开始使用，需要经过多个步骤：在 AWS 管理控制台中打开 Amazon SageMaker AI、创建域、配置 IAM 权限，有时还需申请 GPU 配额。对于希望快速迭代的开发者来说，这种摩擦拖慢了从灵感走向实验的过程。此次集成打通了从发现到企业部署的更直接路径。

“在 Arcee，我们构建开放模型，让开发者和企业真正拥有他们所运行的东西：检查权重、用自己的数据后训练、按自己的条件部署。这一集成将这一承诺推向了最后一英里。从 Hugging Face 上的开放模型一键直入 SageMaker Studio，然后在自己的 AWS 环境中微调或部署，无需任何额外配置——这种体验正是开放模型一直缺失的。你拥有的开放权重，在你控制的云中运行。这正是我们客户一直要求的组合。”

—— Mark McQuade，Arcee AI 创始人兼 CEO

随着一键式 Studio 着陆体验的推出，在受支持的 Hugging Face 模型页面上选择 Customize on SageMaker AI 或 Deploy on SageMaker AI，即可直接进入控制台。SageMaker AI 随后在几秒钟内自动预配置一个新域，并附有预配置的权限，同时传递模型上下文。

新功能

本次发布引入了三项能力，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

当你在 Hugging Face 上浏览模型时，你会在受支持的模型旁看到直接映射到 SageMaker Studio 工作流的操作按钮：

• Customize on SageMaker AI：在 Studio 中打开模型自定义页面，所选模型已预加载，随时可微调。
• Deploy on SageMaker AI：在 Studio 中打开部署页面，模型已预配置好端点部署。

每个入口点都保留了上下文，这意味着进入 Studio 后你无需再次搜索模型。

预配置权限

通过此流程创建的新 Studio 环境自带已配置好的权限，涵盖 SageMaker AI 的全部能力，包括模型自定义、训练作业、笔记本实验和端点部署。一个名为 AmazonSageMakerModelCustomizationCoreAccess (https://aws.amazon.com/about-aws/whats-new/2026/01/quick-setup-model-customization-sagemaker-studio/) 的新托管策略将被创建并附加。它提供了使用监督微调 (SFT)、直接偏好优化 (DPO)、基于可验证奖励的强化学习 (RLVR) 和基于 AI 反馈的强化学习 (RLAIF) 进行无服务器模型自定义作业的权限，并支持部署到 SageMaker AI 或 Amazon Bedrock 端点。这省去了你在开始实验前手动创建和配置 AWS Identity and Access Management (IAM) 角色和策略的需要。对于现有的 Studio 环境，带有直接文档链接的可操作消息将指导你添加这些权限。

GPU 配额可见性

在选择部署或训练的实例类型时，Studio UI 现在在实例选择列表中直接显示配额可用性。你可以立即看到哪些 GPU 实例类型（G5、G6）在你账户的当前限制下可用。你无需单独导航到 Service Quotas。如果仍需要请求增加限额，你会被直接重定向到相应实例类型的 Service Quotas 页面。

操作指南：从 Hugging Face 深度链接到 SageMaker Studio

让我们一步步体验从 Hugging Face 开始自定义或部署模型的过程。

第 1 步：发现并选择

在 Hugging Face 模型页面上，点击 “Deploy” 并选择 “Amazon SageMaker AI”。如果模型受支持，你会看到两个按钮：“Deploy on SageMaker AI” 和 “Customize on SageMaker AI”。然后选择 “Customize on SageMaker AI” 以使用受支持的模型。

显示受支持模型的 Customize on SageMaker AI 按钮的 Hugging Face 模型页面 (https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/07/06/ML-21254-1.png)

第 2 步：登录

系统会提示你使用现有凭据登录 AWS。如果你已有活跃的控制台会话，此步骤会自动跳过。更多信息，请参阅 登录 AWS 管理控制台。

第 3 步：进入 Studio

你将直接进入 SageMaker Studio 中的模型自定义页面，模型已预选。接下来，配置你的微调参数，例如训练数据、超参数和实例类型，然后提交自定义作业。

SageMaker Studio 模型自定义页面，所选模型已预加载，微调参数可配置 (https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/07/06/ML-21254-2.png)

或者，选择 Deploy on SageMaker AI 会在 Studio 中打开端点部署页面，模型已预配置。选择你的实例类型（包含配额可见性），查看设置，然后部署。

SageMaker Studio 端点部署页面，模型已预配置，实例类型选择显示配额可见性 (https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/07/06/ML-21254-3.png)

第 4 步：测试你的端点

部署端点后，直接从 Studio 的端点测试界面测试推理。

开始使用

你现在就可以体验此功能：

1. 在 Hugging Face 上浏览模型。
2. 在受支持的模型上查找 Customize on SageMaker AI 或 Deploy on SageMaker AI 按钮。
3. 选择并遵循简化的登录流程。
4. 在完全配置好的 SageMaker Studio 环境中开始构建。

总结

一键式 Studio 着陆体验的推出，最大限度地减少了从发现模型到实验之间的摩擦。通过将 Hugging Face 直接连接到 SageMaker Studio 工作流，开发者可以保持流畅体验。不再需要切换上下文、手动设置环境或排查权限问题。

要开始使用，请访问 Amazon SageMaker Studio 页面，或者在 Hugging Face 上探索模型并选择 Deploy 或 Customize on SageMaker AI。