AWS añade el ajuste fino completo (FFT) a su personalización de modelos sin servidor en SageMaker AI

Hecho Qué ha ocurrido
AWS anuncia que Amazon SageMaker AI Serverless Model Customization ya soporta Full Fine-Tuning (FFT), que actualiza todos los parámetros del modelo en lugar de usar adaptadores de bajo rango como LoRA. En sus pruebas con Qwen3-4B y 110.000 pares de instrucciones de código, FFT obtuvo un 90,0 % de corrección semántica según un juez LLM con más de 100.000 ejemplos. Los resultados son de la propia AWS y no han sido verificados de forma independiente.
Resumen generado mediante IA a partir de AWS Machine Learning Blog (original en inglés). Naturaleza de la información: declaración de parte interesada.
Análisis Por qué importa
Permite a empresas que disponen de datos propios de calidad valorar un ajuste fino más potente sin gestionar GPU ni configuración distribuida. La decisión entre FFT y LoRA pasa a depender del tamaño del conjunto de datos y del coste de cómputo.
- Quién se ve afectado
- Equipos de ciencia de datos y de ingeniería de ML que personalizan LLM en AWS.
- Qué puede cambiar
- Cambiar de LoRA a FFT requiere, según el ejemplo del artículo, modificar un único parámetro del código, lo que reduce la barrera para probar ambos métodos. El coste y el rendimiento reales dependerán de cada caso de uso.
Análisis generado a partir de la información disponible; no procede de la fuente.
Predicción Qué observar a continuación
Conviene vigilar los precios del servicio sin servidor para FFT frente a LoRA y si los resultados se reproducen en tareas distintas de la programación. También la aparición de evaluaciones independientes.
Recomendación Qué debería hacer una empresa
Comparar FFT y LoRA sobre un conjunto de validación propio en los próximos 3 meses antes de decidir la estrategia de personalización.
Recomendación generada por IA con la evidencia disponible; no es asesoramiento profesional.
Enviar esta noticia por correo
Enviado. Revisa que llegue a la bandeja de entrada de quien lo reciba.
La dirección no parece válida.
Has enviado varios correos seguidos. Espera un rato.
No se ha podido comprobar que no eres un robot. Vuelve a intentarlo.
No se ha podido enviar. Inténtalo de nuevo en unos minutos.
Fuente original: AWS Machine Learning Blog (fuente primaria). La referencia es siempre el artículo original.
Ver fuente original ↗LLMajuste finoLoRA AWSAmazon SageMaker AWS Full Fine-Tuning LoRA Qwen3-4B SageMaker AI
Relacionadas
AWS SageMaker AI incorpora agentes para automatizar el ajuste fino de modelos
Amazon SageMaker AI ha lanzado una experiencia basada en agentes de IA que automatizan todo el ciclo de personalización de modelos: desde la definición del…
Por qué importaSimplifica significativamente la personalización de modelos LLM, tarea que actualmente requiere múltiples técnicas especializadas y meses de…
AWS SageMaker mejora observabilidad y personalización de modelos generativos en 2025
AWS ha lanzado mejoras en SageMaker AI para 2025 enfocadas en observabilidad, personalización y alojamiento de modelos generativos. Las principales novedades…
Por qué importaEstas capacidades reducen significativamente la complejidad operativa y el costo de desplegar y mantener modelos generativos en producción…
AWS lanza en disponibilidad general las sesiones de entrenamiento de SageMaker AI para personalizar modelos
AWS ha anunciado la disponibilidad general de las sesiones de entrenamiento dentro de la personalización de modelos sin servidor de SageMaker AI. Permiten…
Por qué importaReduce la barrera técnica para ajustar modelos abiertos con aprendizaje por refuerzo, especialmente para agentes que requieren varias interacciones…
AWS Nova Forge SDK simplifica el fine-tuning de modelos con SFT y RFT
AWS ha publicado un tutorial sobre Nova Forge SDK, que permite ajustar modelos Amazon Nova mediante SageMaker AI Training Jobs. El ejemplo demuestra el proceso…
Por qué importaNova Forge SDK reduce significativamente la complejidad técnica para ajustar modelos: elimina la necesidad de gestionar dependencias, seleccionar…
Tu opinión
Te hemos enviado un correo para confirmar tu dirección. El comentario se procesará cuando pulses el enlace.
Gracias. Tu comentario se publicará cuando lo revise el equipo (los primeros comentarios de cada persona se moderan).
Comentario publicado. Gracias por participar.
No se puede comentar aquí.
Indica un nombre (de 2 a 60 caracteres).
El correo no parece válido.
El comentario debe tener entre 10 y 2.000 caracteres.
Demasiados enlaces en el comentario.
No se ha podido comprobar que no eres un robot. Vuelve a intentarlo.
Has alcanzado el límite diario de comentarios.
Demasiados comentarios seguidos. Espera un rato.
No se ha podido enviar el correo de confirmación. Inténtalo de nuevo en unos minutos.



