Paquetes de modelos restringidos

¿Qué es un paquete de modelos restringido?

Un paquete de modelos restringido (RMP) es un paquete de modelos de SageMaker AI que encapsula artefactos de modelos propietarios en un almacenamiento seguro y gestionado por el servicio al que los clientes no pueden acceder directamente. Los RMP permiten autorizar y controlar el uso de estos modelos mediante políticas de IAM sin conceder acceso directo a los artefactos subyacentes. Los datos del modelo no se pueden descargar, exportar ni ver directamente. Solo puede usarse en los servicios de AWS autorizados. Los RMP solo los pueden crear principales de la plataforma de SageMaker AI de confianza y existen dentro de grupos de paquetes de modelos marcados con StorageType: "Restricted".

Hoy en día, los RMP se producen mediante el entrenamiento de aprendizaje por refuerzo multiturno (MTRL) en trabajos de entrenamiento sin servidor de SageMaker. Una vez que existe un RMP, puede usar su ARN para evaluar el modelo subyacente. Para el tercer trimestre de 2026, está previsto utilizar un RMP como entrada para un trabajo de entrenamiento posterior; por ejemplo, para encadenar ejecuciones de MTRL en un flujo de trabajo de entrenamiento iterativo.

Los RMP se diferencian de los paquetes de modelos estándar de SageMaker AI en que los artefactos de modelo subyacentes permanecen en un almacenamiento seguro y gestionado por el servicio en todo momento. Los clientes interactúan con el modelo a través de su ARN en lugar de acceder a los archivos de puntos de control directamente en Amazon S3.

Casos de uso admitidos

En la siguiente tabla se resumen los casos de uso de RMP disponibles en la actualidad y cuáles están previstos para futuras versiones.

Salida de entrenamiento de MTRL

Al entrenar un modelo mediante el aprendizaje por refuerzo multiturno (MTRL) en los trabajos de entrenamiento sin servidor de SageMaker, la salida de entrenamiento se entrega como un RMP en lugar de como una ruta de puntos de control de Amazon S3. El RMP de salida se crea y registra automáticamente en el grupo de paquetes de modelos que especifique al configurar el administrador del entorno de ejecución. Los RMP no se crean directamente — la plataforma los produce como salidas de trabajos de entrenamiento.

El parámetro model_package_group_name es obligatorio cuando se ejecuta MTRL en los trabajos de entrenamiento sin servidor de SageMaker. Debe especificar un grupo de paquetes de modelos StorageType: "Restricted" existente en el que se registrará el RMP de salida. Sin este parámetro, se producirá un error en el trabajo de entrenamiento. Configure el tiempo de ejecución con un model_package_group_name para recibir la salida de entrenamiento:

from amzn_nova_forge.manager.runtime_manager import SMTJServerlessRuntimeManager
from amzn_nova_forge.trainer.forge_trainer import ForgeTrainer
from amzn_nova_forge.model.model_enums import Model, TrainingMethod
from amzn_nova_forge.core import ForgeConfig

# Configure runtime with the output Model Package Group
runtime = SMTJServerlessRuntimeManager(
    model_package_group_name="my-rmp-model-package-group",  # Required for MTRL
    execution_role="arn:aws:iam::123456789012:role/my-role",
    agent_core_arn="arn:aws:bedrock-agentcore:us-east-1:123456789012:runtime/my-agent",  # AgentCore runtime for MTRL execution
)

# Train with MTRL
trainer = ForgeTrainer(
    model=Model.NOVA_LITE_2,
    method=TrainingMethod.RFT_MULTITURN_LORA,
    infra=runtime,
    training_data_s3_path="s3://your-bucket/prompts/train.parquet",
    config=ForgeConfig(output_s3_path="s3://your-bucket/output/"),
)

result = trainer.train(job_name="my-mtrl-job")

# Wait for completion and retrieve the output RMP ARN
result.wait()
print(result.model_artifacts.output_model_arn)

Una vez finalizado el entrenamiento, el modelo resultante se registra como una nueva versión en el grupo de paquetes de modelos oficial especificado.

Uso de un RMP para la evaluación

Puede evaluar un modelo almacenado como RMP haciendo referencia a su ARN. La plataforma de SageMaker AI resuelve internamente el RMP en los artefactos de modelo subyacentes, por lo que el flujo de trabajo de evaluación no necesita gestionar directamente el punto de control del modelo.

Para obtener más información sobre la ejecución de evaluaciones con modelos de Amazon Nova, consulte Evaluación de su modelo entrenado por SageMaker AI.

Uso de un RMP como entrada de entrenamiento (T3 2026)

El uso de un RMP como modelo de origen para un trabajo de entrenamiento está previsto para el T3 2026 y no está disponible hoy en día. Una vez que sea compatible, podrá especificar un ARN de RMP como modelo de origen mediante ModelPackageConfig.SourceModelPackageArn. La plataforma de SageMaker AI resolverá internamente el ARN en el punto de control del modelo real, de modo que el código de entrenamiento recibirá los artefactos de modelo como si se hubieran cargado desde Amazon S3.

Esto permitirá flujos de trabajo de entrenamiento de MTRL iterativos, en los que el RMP de salida de un trabajo de entrenamiento se puede pasar como modelo de origen a un trabajo de MTRL posterior, lo que permitirá que cada ejecución se base en la salida de la anterior sin exponer en ningún momento el punto de control del modelo subyacente.