Amazon SageMaker JumpStart ist ein Machine-Learning-Hub (ML) innerhalb von Amazon SageMaker AI, der Zugriff auf einen kuratierten Katalog von KI-Modellen, Lösungsvorlagen und Beispiel-Notebooks bietet. Er verkürzt den Weg von der Modellauswahl bis zur Bereitstellung. Sie können damit Open-Source-Large-Language-Models (LLMs) evaluieren, ein Vision-Modell für Dokumentverständnis bereitstellen oder ein kompaktes Modell mit Ihren eigenen Daten feinjustieren (Fine-Tuning).
SageMaker JumpStart dient drei primären Anwendungsfällen:
- Modellentdeckung und -evaluierung — Durchsuchen Sie Hunderte von Foundation Models (FMs) von Anbietern wie Alibaba (Qwen), NVIDIA, Google, Mistral, Cohere, IBM und weiteren. Jede Modellkarte enthält Architekturdetails, Benchmarks, Lizenzinformationen und Beispiel-Notebooks.
- Bereitstellung mit einem Klick — Stellen Sie das Modell Ihrer Wahl auf einem SageMaker-Echtzeit-Inferenz-Endpunkt mit vorkonfigurierten Einstellungen bereit, die für Ihre Workload optimiert sind (niedrige Kosten, niedrige Latenz, Durchsatz oder ausgewogen). Keine manuelle Container- oder Instanzkonfiguration erforderlich.
- Modellanpassung — Justieren Sie Modelle direkt über die Konsole oder das SDK fein (Fine-Tuning), mit Techniken wie Low-Rank Adaptation (LoRA), Supervised Fine-Tuning (SFT), Direct Preference Optimization (DPO) und Reinforcement Learning with Verifiable Rewards (RLVR). Serverlose Anpassungsoptionen reduzieren den Infrastrukturverwaltungsaufwand.
Sie können auf SageMaker JumpStart über die SageMaker-Studio-Konsole zugreifen (Models → JumpStart models), programmatisch über das SageMaker Python SDK oder direkt über Hugging Face mithilfe der kürzlich eingeführten Deep-Link-Integration.
Integrationen 2026 auf einen Blick
Von Januar bis September 2026 hat SageMaker JumpStart über 100 neue Modelle von 30 verschiedenen Anbietern integriert. Dies stellt eine erhebliche Erweiterung des Katalogs dar, angetrieben durch das beschleunigte Tempo der Open-Source-Modellveröffentlichungen und die wachsende Kundennachfrage nach Auswahlmöglichkeiten bei Modellarchitekturen, -größen und -funktionen.
Hier finden Sie eine Aufschlüsselung der wichtigsten Beitragenden sowie einen Link zu unserer SageMaker-JumpStart-Seite:
- Alibaba (Qwen): 29 Modelle die Reasoning (Qwen 3.8-27B), groß angelegte Mixture-of-Experts (Qwen3.5-122B-A10B), agentische Workflows (Qwen-AgentWorld-35B-A3B), Code-Generierung (Qwen3-Coder-Next, Qwen 3 Coder 30B), Spracherkennung (Qwen3-ASR-1.7B), Text-to-Speech (Qwen3-TTS), Embeddings (Qwen3-VL-Embedding-2B) und Reranking (Qwen3-Reranker-4B) umfassen.
- NVIDIA: 17 Modelle, darunter die Cosmos3-World-Foundation-Modellfamilie (Super, Edge, Nano), Cosmos Reason 7B, MSA-Search, Nemotron 3.5 Lightning, Nemotron-3-Super-120B (FP8 und BF16), Nemotron3 Ultra, Nemotron-Nano-12B-v2, Nemotron 3 Nano Omni (multimodal)sowie Nemotron 3.5 Super VL für Vision-Language.
- Mistral: 7 Modelle, darunter die Ministral-3-Familie (3B, 8B, 14B in Standard und BF16) und Voxtral-Mini-4B-Realtime für Sprache.
- Google: 6 Gemma-4-Varianten, darunter gemma-4-31B-it, E2B-it, E4B-it, 26B-A4B-it, assistant und NVFP4-quantisiert.
- IBM: 4 Modelle, darunter Granite 4.0 h-micro/small/tiny und granite-speech-4.1-2b für mehrsprachige automatische Spracherkennung (ASR) in 6 Sprachen.
- Cohere: 4 Modelle, darunter Command A (A100) sowie Rerank v3.5, v4.0 Fast und v4.0 Pro für Retrieval Augmentation.
- Andere: 33 Modelle von MiniMax, Zhipu AI (GLM), DeepSeek, Moonshot AI, Allen AI, Microsoft, Meta (Muse Spark), Reflection (Beam), Black Forest Labs, JetBrains, OpenBMB, BharatGenAI, Kakao, OpenFold und weiteren.
Highlights der Modellintegration
Die im Jahr 2026 integrierten Modelle spiegeln mehrere gezielte Prioritäten wider, mit denen wir den SageMaker JumpStart-Katalog erweitern. Dabei handelt es sich nicht nur um Branchentrends. Sie stehen für die Bereiche, in denen wir eine starke Kundennachfrage und erhebliche Chancen sehen, um Kunden beim Aufbau produktionsreifer KI-Anwendungen auf SageMaker zu unterstützen.
Erweiterung des NVIDIA-Portfolios an offenen Modellen
NVIDIA ist einer unserer bedeutenden Modellanbieter, und im Jahr 2026 ging ihr Beitrag weit über Sprachmodelle hinaus. Die Cosmos3 World Foundation Models, verfügbar in den Stufen Super, Edge und Nano, bringen Videogenerierung, Physiksimulation und Aktionsplanung in einer einzigen Architektur für Physical-AI-Anwendungen wie Robotik, autonome Systeme und digitale Zwillinge zusammen. In Kombination mit Nemotron-Modellen, die von effizienter Edge-Inferenz (Nano-12B) bis zu umfangreichem Reasoning (Super-120B) reichen, bietet SageMaker JumpStart nun ein breites Portfolio an NVIDIA-Open-Source-Modellen. Wenn Sie auf NVIDIA-Hardware aufbauen, können Sie diese Modelle auf SageMaker mit optimierten Containern und vorkonfigurierten Endpunkten bereitstellen.
Schließung der multimodalen Lücke
Kunden-Workloads erfordern zunehmend Modelle, die mehr als nur Text verarbeiten. Im Jahr 2026 haben wirpriorisiert, Modelle anzubinden, die Vision, Sprache und Dokumentenverständnis nativ beherrschen. NVIDIA Nemotron 3 Nano Omni verarbeitet Text, Vision und Sprache in einem einzigen Modell. Google Gemma 4 ergänzt Vision-Language-Fähigkeiten in mehreren Größen. IBM granite-speech-4.1-2b übernimmt Spracherkennung und -übersetzung in sechs Sprachen. Mistral Voxtral-Mini unterstützt Echtzeit-Sprachverständnis. Diese Ergänzungen ermöglichen es Kunden, auf die Verkettung separater Vorverarbeitungsmodelle für multimodale Workloads zu verzichten.
Kreative KI zugänglich machen
Die Bild- und Videogenerierung wurde 2026 von einer Nische zum Mainstream. Wir haben FLUX.2 Small Decoder und FLUX.2-klein-base-4B von Black Forest Labs für schnelle Text-zu-Bild-Generierung, Meta Muse-Glimmer-30B für multimodale agentische Workflows und NVIDIA Cosmos3 für Videogenerierung integriert. Mit diesen Modellen können Sie auf kreative KI-Funktionen mit derselben One-Click-Bereitstellungserfahrung zugreifen, die Sie auch für Sprachmodelle nutzen.
Priorisierung effizienter und quantisierter Modelle
Nicht jede Workload erfordert ein Modell in Frontier-Größe, und viele Kunden konzentrieren sich darauf, die Inferenzkosten beim Übergang in die Produktion zu optimieren. Wir haben mehrere quantisierte und kompakte Modelle integriert: Zhipu AI GLM-5.2 FP8 liefert starke Leistung bei reduziertem Speicherbedarf. JetBrains Mellum2-12B nutzt eine Mixture-of-Experts-Architektur mit nur 2.5B aktiven Parametern für Codegenerierung. OpenBMB MiniCPM5-1B packt multimodale Fähigkeiten in 1 Milliarde Parameter. Microsoft Phi-4-mini-instruct und IBM Granite 4.0 h-tiny zeigen, dass kompakte Modelle Produktions-Workloads auf Instanztypen wie ml.g5.xlarge bewältigen. Diese Modelle können Latenz und Gesamtkosten (Total Cost of Ownership, TCO) für gezielte Anwendungsfälle optimieren.
Integration zielgerichteter Modelle für spezifische Aufgaben
Allgemeine LLMs sind vielseitig, aber speziell entwickelte Modelle sind für bestimmte Aufgaben optimiert. Im Jahr 2026 haben wir Qwen-AgentWorld-35B-A3B für autonome KI-Workflows mit nativem Tool-Calling integriert. GLM-OCR, LightOnOCR und DeepSeek-OCR übernehmen die Textextraktion aus Dokumenten. Qwen3-Reranker-4B und Cohere Rerank v4.0 verbessern die Abrufpräzision in Retrieval-Augmented-Generation(RAG)-Pipelines. langcache-embed-v3-small bietet leichte Embeddings für semantische Suche. Qwen3-ASR und Qwen3-TTS bringen Spracherkennung und -synthese. OpenFold3 unterstützt die Vorhersage von Proteinstrukturen für wissenschaftliches Rechnen. Mit diesen Modellen können Sie Pipelines aufbauen, in denen jede Stufe das spezialisierte Werkzeug für die jeweilige Aufgabe nutzt, statt ein einziges Modell alles machen zu lassen.
Erweiterung der Anbietervielfalt
Die Verringerung des Konzentrationsrisikos bei der Modellauswahl ist für Unternehmenskunden wichtig. Im Jahr 2026 haben wir den Katalog auf 30 Anbieter erweitert, verglichen mit einer stärker konzentrierten Auswahl in den Vorjahren. Alibaba Qwen ist mit 29 Modellen, die Reasoning, Coding, Sprache und Retrieval umfassen, der mit Abstand größte Beitragende. Zhipu AI und DeepSeek liefern konkurrenzfähige LLMs und spezialisierte OCR. MiniMax und Moonshot AI steuern neuere Architekturen bei. Cohere bietet zuverlässiges Reranking. BharatGenAI und Kakao erweitern die regionale Modellabdeckung. Diese Breite gibt Kunden mehr Optionen in Bezug auf Leistung, Kosten, Lizenzierung und Sprachunterstützung.
SageMaker-JumpStart-Verbesserungen 2026
Über die Modellintegration hinaus hat SageMaker JumpStart im Jahr 2026 bedeutende Verbesserungen bereitgestellt, die Reibung über den gesamten Modell-Lebenszyklus hinweg reduzieren – von der Entdeckung bis zur Bereitstellung.
Vereinfachter Model Hub in der SageMaker-AI-Konsole
Bisher erforderte das Auffinden von SageMaker-JumpStart-Modellen die Navigation in SageMaker Studio und das Suchen des SageMaker-JumpStart-Bereichs in der linken Navigation. Die neue Model-Hub-Erfahrung zeigt den gesamten SageMaker-JumpStart-Katalog direkt auf der Startseite der SageMaker-AI-Konsole an. Sie können Modelle nach Kategorie durchsuchen und nach Input/Output-Modalität, Herausgeber, Modellgröße, Lizenz und Framework filtern. Sie können auch Beispiel-Notebooks ansehen und Modelle mit einem einzigen Klick in Studio öffnen. Dies vermeidet die mehrstufige Navigation, die die anfängliche Erkundung verlangsamte.
Vorkonfigurierte Endpoint-Bereitstellungsoptionen
Die Wahl des richtigen Instanztyps, Serving-Containers und der Optimierungseinstellungen für eine Modellbereitstellung erforderte typischerweise manuelles Benchmarking über Dutzende Kombinationen. SageMaker JumpStart bietet nun benannte Bereitstellungskonfigurationen mit Optimierungsoptionen für:
- Ausgewogen — Ein ausgewogener Kompromiss zwischen Kosten, Latenz und Durchsatz für Allzweck-Workloads.
- Durchsatzoptimiert — Maximale Tokens pro Sekunde durch Techniken wie Speculative Decoding, ideal für High-Volume-Batch-Verarbeitung.
- Latenzoptimiert — Niedrigste Time to First Token (TTFT), mit Fokus auf Geschwindigkeit für interaktive Anwendungen.
- Kostenoptimiert — Niedrigste Infrastrukturkosten pro Anfrage, geeignet für Workloads, die höhere Latenz akzeptieren können.
Diese Konfigurationen umfassen Neuron-optimierte Setups für AWS-Inferentia- und AWS-Trainium-Instanzen und reduzieren Bereitstellungskomplexität und Infrastrukturkosten. Sie können ein Modell mit einem einzigen Klick und dem passenden Optimierungsprofil bereitstellen, statt wochenlang Konfigurationen manuell zu benchmarken.
Hugging-Face-Deep-Link-Integration
Eine neue Integration mit Hugging Face verbindet die Modellsuche direkt mit SageMaker Studio, für onboardete Modelle. Wenn Sie Modelle auf Hugging Face durchsuchen, können Sie Deploy on SageMaker AI oder Customize and Deploy on SageMaker AIwählen. Sie gelangen direkt in eine konfigurierte Studio-Umgebung, in der das Modell bereits vorgeladen ist, die Berechtigungen vorkonfiguriert sind und die GPU-Kontingentsicht integriert ist. So entfällt die Notwendigkeit, AWS Identity and Access Management (IAM)-Rollen einzurichten, eine Domain zu erstellen oder Berechtigungen zu konfigurieren, bevor Sie experimentieren.
Erste Schritte
Es gibt drei Möglichkeiten, mit SageMaker JumpStart zu starten:
- SageMaker Studio-Konsole — Öffnen Sie SageMaker Studio, navigieren Sie zu Models → JumpStart models und durchsuchen Sie den Katalog. Wählen Sie ein Modell aus, um seine Details anzuzeigen, und wählen Sie dann Deploy oder Customize.
- SageMaker Python SDK — Stellen Sie Modelle programmgesteuert mit dem SageMaker Python SDK bereit. Besuchen Sie den SageMaker JumpStart-Modellkatalog für SDK-Beispiele und Bereitstellungsleitfäden.
- Hugging Face Deep-Link — Durchsuchen Sie den HuggingFace Model Hub und wählen Sie Deploy on SageMaker AI um direkt in Studio für onboardete SageMaker JumpStart-Modelle zu landen.
Jedes Modell auf SageMaker JumpStart enthält Bereitstellungskonfigurationen, Beispiel-Notebooks und Dokumentation. Eine praktische Anleitung finden Sie in unserem verwandten Blogbeitrag „Deploy and evaluate models with Amazon SageMaker JumpStart”.
Fazit
Die ersten drei Quartale von 2026 waren eine Zeit bedeutender Fortschritte für Amazon SageMaker JumpStart. Mit über 100 neuen Modellen von 30 Anbietern umfasst der Katalog nun ein breites Spektrum an Fähigkeiten. Dazu gehören Frontier-Reasoning-Modelle, multimodale Vision-Language-Modelle, kreative KI für Bild- und Videoerzeugung, Spracherkennung und Sprachsynthese, optische Zeichenerkennung (OCR) und Dokumentenverständnis, Embedding- und Retrieval-Modelle für RAG, Modelle für agentische Workflows sowie spezialisierte Modelle für wissenschaftliches Rechnen.
Diese Onboarding-Prioritäten spiegeln wider, wo wir die stärkste Kundennachfrage und die größte Chance sehen, die KI-Adoption auf AWS zu beschleunigen. Dazu gehören die Erweiterung des Portfolios, das Schließen der multimodalen Lücke, der Zugang zu kreativer KI, die Priorisierung von Effizienz und Quantisierung, das Onboarding von spezialisierten Modellen sowie die Erweiterung der Anbietervielfalt.
In Kombination mit Verbesserungen wie dem vereinfachten Model Hub, vorkonfigurierten Bereitstellungsoptionen und der Hugging Face Deep-Link-Integration senkt SageMaker JumpStart weiterhin die Hürde zwischen Modellsuche und Produktionsbereitstellung. Besuchen Sie den SageMaker JumpStart-Modellkatalog um das gesamte Angebot zu erkunden.
Nächste Schritte
Es gibt viele Möglichkeiten, mit SageMaker JumpStart zu starten. Probieren Sie eine davon selbst aus!
- Bewerten Sie Modelle und wählen Sie das richtige für Sie
- Erfahren Sie, wie Sie Von HuggingFace zu SageMaker Studio deployen
- Vortrainierte Modelle verwenden in fallbasierte Deployments
- Entwerfen Sie eine Physische KI-Modellfabrik auf SageMaker HyperPod