Amazon SageMaker JumpStart es un centro de aprendizaje automático (ML) dentro de Amazon SageMaker AI que proporciona acceso a un catálogo curado de modelos de IA, plantillas de soluciones y cuadernos de ejemplo. Reduce el tiempo necesario para pasar de la selección del modelo a su implementación. Puede usarlo para evaluar modelos de lenguaje de gran tamaño (LLM) de código abierto, implementar un modelo de visión para la comprensión de documentos o ajustar un modelo compacto con sus propios datos.
SageMaker JumpStart aborda tres casos de uso principales:
- Descubrimiento y evaluación de modelos — Explore cientos de modelos fundamentales (FM) de proveedores como Alibaba (Qwen), NVIDIA, Google, Mistral, Cohere, IBM y más. Cada tarjeta de modelo incluye detalles de la arquitectura, puntos de referencia, información sobre licencias y cuadernos de ejemplo.
- Implementación con un clic — Implemente el modelo que elija en un endpoint de inferencia en tiempo real de SageMaker con configuraciones preconfiguradas y optimizadas para su carga de trabajo (bajo costo, baja latencia, rendimiento o equilibrado). No se requiere configuración manual de contenedores ni de instancias.
- Personalización de modelos — Ajuste modelos directamente desde la consola o el SDK con técnicas como la adaptación de bajo rango (LoRA), el ajuste fino supervisado (SFT), la optimización de preferencias directas (DPO) y el aprendizaje por refuerzo con recompensas verificables (RLVR). Las opciones de personalización serverless reducen la gestión de la infraestructura.
Puede acceder a SageMaker JumpStart a través de la consola de SageMaker Studio (Models → JumpStart models), programáticamente mediante el SageMaker Python SDK, o directamente desde Hugging Face gracias a la integración de enlaces profundos lanzada recientemente.
Panorama de las incorporaciones de 2026
De enero a septiembre de 2026, SageMaker JumpStart incorporó más de 100 modelos nuevos de 30 proveedores distintos. Esto representa una expansión significativa del catálogo, impulsada por el ritmo acelerado de los lanzamientos de modelos de código abierto y la creciente demanda de los clientes de opciones entre arquitecturas, tamaños y capacidades de modelos.
Aquí tiene un desglose de los principales contribuyentes y un enlace a nuestra página de SageMaker JumpStart:
- Alibaba (Qwen): 29 modelos que abarcan razonamiento (Qwen 3.8-27B), mezcla de expertos a gran escala (Qwen3.5-122B-A10B), flujos de trabajo agentivos (Qwen-AgentWorld-35B-A3B), generación de código (Qwen3-Coder-Next, Qwen 3 Coder 30B), reconocimiento de voz (Qwen3-ASR-1.7B), texto a voz (Qwen3-TTS), embeddings (Qwen3-VL-Embedding-2B) y reclasificación (Qwen3-Reranker-4B).
- NVIDIA: 17 modelos, incluida la familia de modelos fundamentales mundiales Cosmos3 (Super, Edge, Nano), Cosmos Reason 7B, MSA-Search, Nemotron 3.5 Lightning, Nemotron-3-Super-120B (FP8 y BF16), Nemotron3 Ultra, Nemotron-Nano-12B-v2, Nemotron 3 Nano Omni (multimodal)y Nemotron 3.5 Super VL para visión-lenguaje.
- Mistral: 7 modelos, incluida la familia Ministral-3 (3B, 8B, 14B en versiones estándar y BF16) y Voxtral-Mini-4B-Realtime para voz.
- Google: 6 variantes de Gemma 4, incluidas gemma-4-31B-it, E2B-it, E4B-it, 26B-A4B-it, assistant y la cuantizada NVFP4.
- IBM: 4 modelos, incluidos Granite 4.0 h-micro/small/tiny y granite-speech-4.1-2b para reconocimiento automático de voz (ASR) multilingüe en 6 idiomas.
- Cohere: 4 modelos, incluidos Command A (A100) y Rerank v3.5, v4.0 Fast y v4.0 Pro para aumento de recuperación.
- Otros: 33 modelos de MiniMax, Zhipu AI (GLM), DeepSeek, Moonshot AI, Allen AI, Microsoft, Meta (Muse Spark), Reflection (Beam), Black Forest Labs, JetBrains, OpenBMB, BharatGenAI, Kakao, OpenFold, y más.
Aspectos destacados de la incorporación de modelos
Los modelos incorporados en 2026 reflejan varias prioridades específicas sobre cómo ampliamos el catálogo de SageMaker JumpStart. Estas no son solo tendencias del sector. Representan las áreas donde vemos una fuerte demanda de los clientes y una oportunidad significativa para ayudarles a crear aplicaciones de IA de producción en SageMaker.
Ampliación del portafolio de modelos abiertos de NVIDIA
NVIDIA es uno de nuestros proveedores de modelos significativos, y en 2026 su contribución fue mucho más allá de los modelos de lenguaje. Los modelos fundacionales del mundo Cosmos3, disponibles en las variantes Super, Edge y Nano, integran la generación de video, la simulación de física y la planificación de acciones en una única arquitectura para aplicaciones de IA física como robótica, sistemas autónomos y gemelos digitales. Combinados con los modelos Nemotron que abarcan desde la inferencia eficiente en el borde (Nano-12B) hasta el razonamiento a gran escala (Super-120B), SageMaker JumpStart ofrece ahora un amplio portafolio de modelos abiertos de NVIDIA. Si desarrolla sobre hardware de NVIDIA, puede desplegar estos modelos en SageMaker con contenedores optimizados y endpoints preconfigurados.
Cerrar la brecha multimodal
Las cargas de trabajo de los clientes requieren cada vez más modelos que procesen más que texto. En 2026, priorizamos la incorporación de modelos que manejan de forma nativa visión, voz y comprensión de documentos. NVIDIA Nemotron 3 Nano Omni procesa texto, visión y voz en un solo modelo. Google Gemma 4 añade capacidades de visión-lenguaje en varios tamaños. IBM granite-speech-4.1-2b maneja reconocimiento y traducción de voz en seis idiomas. Mistral Voxtral-Mini admite comprensión de voz en tiempo real. Estas incorporaciones permiten a los clientes evitar encadenar modelos de preprocesamiento separados para cargas de trabajo multimodales.
Hacer accesible la IA creativa
La generación de imágenes y videos pasó de ser un nicho a ser corriente principal en 2026. Incorporamos FLUX.2 Small Decoder y FLUX.2-klein-base-4B de Black Forest Labs para generación rápida de texto a imagen, Meta Muse-Glimmer-30B para flujos de trabajo agénticos multimodales y NVIDIA Cosmos3 para generación de video. Con estos modelos, puede acceder a capacidades de IA creativa con la misma experiencia de implementación con un solo clic que usa para los modelos de lenguaje.
Priorizar modelos eficientes y cuantizados
No todas las cargas de trabajo requieren un modelo de escala frontera, y muchos clientes se enfocan en optimizar los costos de inferencia al pasar a producción. Incorporamos varios modelos cuantizados y compactos: Zhipu AI GLM-5.2 FP8 ofrece un rendimiento sólido con una huella de memoria reducida. JetBrains Mellum2-12B usa una arquitectura de mezcla de expertos con solo 2.5B de parámetros activos para generación de código. OpenBMB MiniCPM5-1B empaca capacidades multimodales en 1 mil millones de parámetros. Microsoft Phi-4-mini-instruct e IBM Granite 4.0 h-tiny demuestran que los modelos compactos sirven cargas de trabajo de producción en tipos de instancia como ml.g5.xlarge. Estos modelos pueden optimizar la latencia y el costo total de propiedad (TCO) para casos de uso específicos.
Incorporar modelos de propósito específico para tareas concretas
Los LLM de propósito general son versátiles, pero los modelos de propósito específico están optimizados para tareas concretas. En 2026, incorporamos Qwen-AgentWorld-35B-A3B para flujos de trabajo de IA autónoma con invocación nativa de herramientas. GLM-OCR, LightOnOCR y DeepSeek-OCR manejan la extracción de texto de documentos. Qwen3-Reranker-4B y Cohere Rerank v4.0 mejoran la precisión de recuperación en pipelines de Generación Aumentada por Recuperación (RAG). langcache-embed-v3-small proporciona embeddings ligeros para búsqueda semántica. Qwen3-ASR y Qwen3-TTS aportan reconocimiento y síntesis de voz. OpenFold3 admite la predicción de estructuras de proteínas para la computación científica. Con estos modelos, puede construir pipelines donde cada etapa usa la herramienta especializada para el trabajo, en lugar de forzar a un solo modelo a hacerlo todo.
Ampliar la diversidad de proveedores
Reducir el riesgo de concentración en la selección de modelos es importante para los clientes empresariales. En 2026, ampliamos el catálogo para incluir 30 proveedores, frente a un conjunto más concentrado en años anteriores. Alibaba Qwen es el mayor contribuyente individual con 29 modelos que abarcan razonamiento, programación, voz y recuperación. Zhipu AI y DeepSeek añaden LLM competitivos y OCR especializado. MiniMax y Moonshot AI contribuyen con arquitecturas emergentes. Cohere aporta reranking confiable. BharatGenAI y Kakao amplían la cobertura de modelos regionales. Esta amplitud brinda a los clientes más opciones de rendimiento, costo, licenciamiento y soporte de idiomas.
Mejoras de SageMaker JumpStart en 2026
Más allá de la incorporación de modelos, SageMaker JumpStart también lanzó mejoras significativas en 2026 que reducen la fricción en todo el ciclo de vida del modelo, desde el descubrimiento hasta la implementación.
Model Hub simplificado en la consola de SageMaker AI
Anteriormente, descubrir los modelos de SageMaker JumpStart requería navegar a SageMaker Studio y encontrar la sección de SageMaker JumpStart en la navegación izquierda. La nueva experiencia de Model Hub muestra el catálogo completo de SageMaker JumpStart directamente en la página de inicio de la consola de SageMaker AI. Puede explorar modelos por categoría y filtrar por modalidad de entrada/salida, editor, tamaño del modelo, licencia y framework. También puede ver notebooks de ejemplo y abrir modelos dentro de Studio con un solo clic. Esto evita la navegación de varios pasos que ralentizaba la exploración inicial.
Opciones de implementación de endpoints preconfigurados
Elegir el tipo de instancia, el contenedor de servicio y las opciones de optimización correctos para una implementación de modelo normalmente requería pruebas de rendimiento manuales entre decenas de combinaciones. SageMaker JumpStart ahora ofrece configuraciones de implementación con nombre, con opciones de optimización para:
- Equilibrado — Un equilibrio entre costo, latencia y rendimiento para cargas de trabajo de propósito general.
- Optimizado para rendimiento — Máximo de tokens por segundo usando técnicas como Speculative Decoding, ideal para procesamiento por lotes de alto volumen.
- Optimizado para latencia — El menor Time to First Token (TTFT), priorizando la velocidad para aplicaciones interactivas.
- Optimizado para costo — El menor costo de infraestructura por solicitud, adecuado para cargas de trabajo que pueden aceptar mayor latencia.
Estas configuraciones incluyen configuraciones optimizadas para Neuron en instancias de AWS Inferentia y AWS Trainium, reduciendo la complejidad de implementación y los costos de infraestructura. Puede implementar un modelo con un solo clic y el perfil de optimización adecuado, en lugar de pasar semanas evaluando configuraciones manualmente.
Integración de enlaces profundos de Hugging Face
Una nueva integración con Hugging Face conecta el descubrimiento de modelos directamente con SageMaker Studio, para los modelos incorporados. Al explorar modelos en Hugging Face, puede elegir Deploy on SageMaker AI o Customize and Deploy on SageMaker AI. Llega directamente a un entorno de Studio configurado con el modelo precargado, los permisos preconfigurados y la visibilidad de cuota de GPU integrada. Esto evita la necesidad de configurar roles de AWS Identity and Access Management (IAM), crear un dominio o configurar permisos antes de experimentar.
Primeros pasos
Hay tres formas de empezar con SageMaker JumpStart:
- Consola de SageMaker Studio — Abra SageMaker Studio, vaya a Models → JumpStart models y explore el catálogo. Elija un modelo para ver sus detalles y, a continuación, elija Deploy o Customize.
- SageMaker Python SDK — Implemente modelos de forma programática usando el SageMaker Python SDK. Visite el catálogo de modelos de SageMaker JumpStart para ver ejemplos de SDK y guías de implementación.
- Enlace profundo de Hugging Face — Explore el HuggingFace Model Hub y elija Deploy on SageMaker AI para llegar directamente a Studio con los modelos incorporados de SageMaker JumpStart.
Cada modelo en SageMaker JumpStart incluye configuraciones de implementación, cuadernos de ejemplo y documentación. Para una guía práctica, consulte nuestra publicación de blog relacionada sobre “Deploy and evaluate models with Amazon SageMaker JumpStart”.
Conclusión
Los primeros tres trimestres de 2026 han sido un período de avances significativos para Amazon SageMaker JumpStart. Con más de 100 modelos nuevos incorporados de 30 proveedores, el catálogo abarca ahora una amplia gama de capacidades. Estas incluyen modelos de razonamiento frontera, modelos de visión y lenguaje multimodales, IA creativa para generación de imágenes y video, reconocimiento y síntesis de voz, reconocimiento óptico de caracteres (OCR) y comprensión de documentos, modelos de embeddings y recuperación para RAG, modelos de flujos de trabajo agénticos y modelos especializados en computación científica.
Estas prioridades de incorporación reflejan dónde vemos la mayor demanda de los clientes y la mayor oportunidad para acelerar la adopción de IA en AWS. Incluyen expandir el portafolio, cerrar la brecha multimodal, hacer accesible la IA creativa, priorizar la eficiencia y la cuantización, incorporar modelos de propósito específico y ampliar la diversidad de proveedores.
Junto con las mejoras como el Model Hub simplificado, las opciones de implementación preconfiguradas y la integración del enlace profundo de Hugging Face, SageMaker JumpStart sigue reduciendo la barrera entre el descubrimiento de modelos y la implementación en producción. Visite el catálogo de modelos de SageMaker JumpStart para explorar la oferta completa.
Próximos pasos
Hay muchas formas de empezar con SageMaker JumpStart. ¡Pruebe usted mismo alguna de estas!
- Evalúe modelos y elija el adecuado para usted
- Aprenda a Implementar desde HuggingFace a SageMaker Studio
- Use modelos preentrenados en implementaciones basadas en casos
- Diseñe una Fábrica de modelos de IA física en SageMaker HyperPod