Amazon SageMaker JumpStart est un hub d'apprentissage automatique (ML) au sein d'Amazon SageMaker AI qui donne accès à un catalogue organisé de modèles d'IA, de modèles de solutions et de notebooks d'exemple. Il réduit le temps nécessaire pour passer de la sélection du modèle au déploiement. Vous pouvez l'utiliser pour évaluer des grands modèles de langage (LLM) open source, déployer un modèle de vision pour la compréhension de documents, ou affiner un modèle compact sur vos propres données.
SageMaker JumpStart répond à trois cas d'usage principaux :
- Découverte et évaluation de modèles — Parcourez des centaines de modèles de fondation (FM) de fournisseurs comme Alibaba (Qwen), NVIDIA, Google, Mistral, Cohere, IBM, et bien d'autres. Chaque fiche de modèle inclut des détails d'architecture, des benchmarks, des informations de licence et des notebooks d'exemple.
- Déploiement en un clic — Déployez le modèle de votre choix sur un endpoint d'inférence en temps réel SageMaker avec des paramètres préconfigurés optimisés pour votre charge de travail (faible coût, faible latence, débit ou équilibré). Aucune configuration manuelle de conteneur ou d'instance n'est requise.
- Personnalisation de modèles — Affinez les modèles directement depuis la console ou le SDK grâce à des techniques comme l'adaptation de faible rang (LoRA), le fine-tuning supervisé (SFT), l'optimisation des préférences directes (DPO) et l'apprentissage par renforcement avec récompenses vérifiables (RLVR). Les options de personnalisation serverless réduisent la gestion de l'infrastructure.
Vous pouvez accéder à SageMaker JumpStart via la console SageMaker Studio (Models → JumpStart models), par programmation via le SageMaker Python SDK, ou directement depuis Hugging Face grâce à l'intégration de liens profonds récemment lancée.
Intégrations 2026 en un coup d'œil
De janvier à septembre 2026, SageMaker JumpStart a intégré plus de 100 nouveaux modèles de 30 fournisseurs distincts. Cela représente une expansion significative du catalogue, portée par le rythme croissant des sorties de modèles open source et la demande grandissante des clients pour un choix varié d'architectures, de tailles et de capacités de modèles.
Voici un aperçu des principaux contributeurs ainsi qu'un lien vers notre page SageMaker JumpStart:
- Alibaba (Qwen) : 29 modèles couvrant le raisonnement (Qwen 3.8-27B), les mélanges d'experts à grande échelle (Qwen3.5-122B-A10B), les flux de travail agentiques (Qwen-AgentWorld-35B-A3B), la génération de code (Qwen3-Coder-Next, Qwen 3 Coder 30B), la reconnaissance vocale (Qwen3-ASR-1.7B), la synthèse vocale (Qwen3-TTS), les embeddings (Qwen3-VL-Embedding-2B) et le reranking (Qwen3-Reranker-4B).
- NVIDIA : 17 modèles dont la famille de modèles de fondation mondiaux Cosmos3 (Super, Edge, Nano), Cosmos Reason 7B, MSA-Search, Nemotron 3.5 Lightning, Nemotron-3-Super-120B (FP8 et BF16), Nemotron3 Ultra, Nemotron-Nano-12B-v2, Nemotron 3 Nano Omni (multimodal), et Nemotron 3.5 Super VL pour la vision-langage.
- Mistral : 7 modèles dont la famille Ministral-3 (3B, 8B, 14B en versions standard et BF16) et Voxtral-Mini-4B-Realtime pour la voix.
- Google : 6 variantes de Gemma 4, dont gemma-4-31B-it, E2B-it, E4B-it, 26B-A4B-it, assistant et la version quantifiée NVFP4.
- IBM : 4 modèles dont Granite 4.0 h-micro/small/tiny et granite-speech-4.1-2b pour la reconnaissance vocale automatique (ASR) multilingue dans 6 langues.
- Cohere : 4 modèles dont Command A (A100) et Rerank v3.5, v4.0 Fast et v4.0 Pro pour l'augmentation de récupération.
- Autres : 33 modèles de MiniMax, Zhipu AI (GLM), DeepSeek, Moonshot AI, Allen AI, Microsoft, Meta (Muse Spark), Reflection (Beam), Black Forest Labs, JetBrains, OpenBMB, BharatGenAI, Kakao, OpenFold, et bien d'autres.
Points forts de l'intégration des modèles
Les modèles intégrés en 2026 reflètent plusieurs priorités ciblées dans la manière dont nous étendons le catalogue SageMaker JumpStart. Ce ne sont pas seulement des tendances du secteur. Ils représentent les domaines où nous constatons une forte demande des clients et une opportunité significative d'aider les clients à créer des applications d'IA de production sur SageMaker.
Élargir le portefeuille de modèles open source de NVIDIA
NVIDIA est l'un de nos fournisseurs de modèles importants, et en 2026 leur contribution a largement dépassé les modèles de langage. Les modèles de fondation mondiaux Cosmos3, disponibles dans les niveaux Super, Edge et Nano, intègrent la génération vidéo, la simulation physique et la planification d'actions dans une architecture unique pour les applications d'IA physique telles que la robotique, les systèmes autonomes et les jumeaux numériques. Combinés aux modèles Nemotron allant de l'inférence efficace en périphérie (Nano-12B) au raisonnement à grande échelle (Super-120B), SageMaker JumpStart propose désormais un vaste portefeuille de modèles open source NVIDIA. Si vous travaillez sur du matériel NVIDIA, vous pouvez déployer ces modèles sur SageMaker avec des conteneurs optimisés et des endpoints préconfigurés.
Combler le fossé multimodal
Les charges de travail des clients exigent de plus en plus des modèles capables de traiter plus que du texte. En 2026, nous avons donné la priorité à l'intégration de modèles gérant nativement la vision, la parole et la compréhension de documents. NVIDIA Nemotron 3 Nano Omni traite le texte, la vision et la parole dans un seul modèle. Google Gemma 4 ajoute des capacités vision-langage en plusieurs tailles. IBM granite-speech-4.1-2b gère la reconnaissance et la traduction vocales dans six langues. Mistral Voxtral-Mini prend en charge la compréhension vocale en temps réel. Ces ajouts permettent aux clients d'éviter d'enchaîner des modèles de prétraitement distincts pour les charges de travail multimodales.
Rendre l'IA créative accessible
La génération d'images et de vidéos est passée du statut de niche au grand public en 2026. Nous avons intégré FLUX.2 Small Decoder et FLUX.2-klein-base-4B de Black Forest Labs pour une génération rapide de texte en image, Meta Muse-Glimmer-30B pour les flux de travail agentiques multimodaux, et NVIDIA Cosmos3 pour la génération vidéo. Avec ces modèles, vous pouvez accéder aux capacités d'IA créative avec la même expérience de déploiement en un clic que celle utilisée pour les modèles de langage.
Privilégier les modèles efficaces et quantifiés
Toutes les charges de travail ne nécessitent pas un modèle de taille frontière, et de nombreux clients cherchent à optimiser les coûts d'inférence lors du passage en production. Nous avons intégré plusieurs modèles quantifiés et compacts : Zhipu AI GLM-5.2 FP8 offre de fortes performances avec un encombrement mémoire réduit. JetBrains Mellum2-12B utilise une architecture de mélange d'experts avec seulement 2.5B paramètres actifs pour la génération de code. OpenBMB MiniCPM5-1B regroupe des capacités multimodales dans 1 milliard de paramètres. Microsoft Phi-4-mini-instruct et IBM Granite 4.0 h-tiny démontrent que les modèles compacts servent des charges de travail de production sur des types d'instances comme ml.g5.xlarge. Ces modèles peuvent optimiser la latence et le coût total de possession (TCO) pour des cas d'usage ciblés.
Intégrer des modèles à usage spécifique pour des tâches ciblées
Les LLM à usage général sont polyvalents, mais les modèles à usage spécifique sont optimisés pour des tâches particulières. En 2026, nous avons intégré Qwen-AgentWorld-35B-A3B pour les flux de travail IA autonomes avec appel d'outils natif. GLM-OCR, LightOnOCR et DeepSeek-OCR gèrent l'extraction de texte de documents. Qwen3-Reranker-4B et Cohere Rerank v4.0 améliorent la précision de récupération dans les pipelines de génération augmentée par récupération (RAG). langcache-embed-v3-small fournit des embeddings légers pour la recherche sémantique. Qwen3-ASR et Qwen3-TTS apportent la reconnaissance et la synthèse vocales. OpenFold3 prend en charge la prédiction de structures protéiques pour le calcul scientifique. Avec ces modèles, vous pouvez construire des pipelines où chaque étape utilise l'outil spécialisé adapté, plutôt que de forcer un seul modèle à tout faire.
Élargir la diversité des fournisseurs
Réduire le risque de concentration dans la sélection de modèles est important pour les clients entreprises. En 2026, nous avons élargi le catalogue pour inclure 30 fournisseurs, contre un ensemble plus concentré les années précédentes. Alibaba Qwen est le plus grand contributeur avec 29 modèles couvrant le raisonnement, le codage, la parole et la récupération. Zhipu AI et DeepSeek ajoutent des LLM compétitifs et des OCR spécialisés. MiniMax et Moonshot AI contribuent avec des architectures émergentes. Cohere apporte un reclassement fiable. BharatGenAI et Kakao élargissent la couverture régionale des modèles. Cette ampleur offre aux clients plus d'options en matière de performances, de coûts, de licences et de prise en charge linguistique.
Améliorations de SageMaker JumpStart en 2026
Au-delà de l'intégration de modèles, SageMaker JumpStart a également livré des améliorations significatives en 2026 qui réduisent les frictions tout au long du cycle de vie des modèles, de la découverte au déploiement.
Model Hub simplifié sur la console SageMaker AI
Auparavant, découvrir les modèles SageMaker JumpStart nécessitait de naviguer dans SageMaker Studio et de trouver la section SageMaker JumpStart dans la navigation de gauche. La nouvelle expérience Model Hub présente le catalogue complet de SageMaker JumpStart directement sur la page d'accueil de la console SageMaker AI. Vous pouvez parcourir les modèles par catégorie et filtrer par modalité d'entrée/sortie, éditeur, taille de modèle, licence et framework. Vous pouvez également consulter des exemples de notebooks et ouvrir des modèles dans Studio en un seul clic. Cela évite la navigation en plusieurs étapes qui ralentissait l'exploration initiale.
Options de déploiement avec configurations d'endpoint préconfigurées
Choisir le bon type d'instance, le conteneur de service et les paramètres d'optimisation pour un déploiement de modèle nécessitait généralement un benchmarking manuel sur des dizaines de combinaisons. SageMaker JumpStart propose désormais des configurations de déploiement nommées, avec des options d'optimisation pour :
- Équilibré — Un compromis équilibré entre coût, latence et débit pour les charges de travail à usage général.
- Débit optimisé — Nombre maximal de jetons par seconde grâce à des techniques comme le Speculative Decoding, idéal pour le traitement par lots à haut volume.
- Latence optimisée — Temps de premier jeton (TTFT) le plus bas, privilégiant la vitesse pour les applications interactives.
- Coût optimisé — Coût d'infrastructure le plus bas par requête, adapté aux charges de travail pouvant accepter une latence plus élevée.
Ces configurations incluent des configurations optimisées Neuron pour les instances AWS Inferentia et AWS Trainium, réduisant la complexité de déploiement et les coûts d'infrastructure. Vous pouvez déployer un modèle en un seul clic avec le bon profil d'optimisation, plutôt que de passer des semaines à évaluer manuellement les configurations.
Intégration des liens profonds Hugging Face
Une nouvelle intégration avec Hugging Face relie directement la découverte de modèles à SageMaker Studio, pour les modèles onboardés. Lorsque vous parcourez les modèles sur Hugging Face, vous pouvez choisir Deploy on SageMaker AI ou Customize and Deploy on SageMaker AI. Vous accédez directement à un environnement Studio configuré avec le modèle préchargé, les permissions préconfigurées et la visibilité du quota GPU intégrée. Cela évite d'avoir à configurer des rôles AWS Identity and Access Management (IAM), à créer un domaine ou à configurer des permissions avant d'expérimenter.
Premiers pas
Il existe trois façons de commencer avec SageMaker JumpStart :
- Console SageMaker Studio — Ouvrez SageMaker Studio, accédez à Models → JumpStart models et parcourez le catalogue. Choisissez un modèle pour afficher ses détails, puis choisissez Deploy ou Customize.
- SageMaker Python SDK — Déployez des modèles par programmation à l'aide du SageMaker Python SDK. Consultez le SageMaker JumpStart model catalog pour des exemples de SDK et des guides de déploiement.
- Lien profond Hugging Face — Parcourez le HuggingFace Model Hub et choisissez Deploy on SageMaker AI pour accéder directement à Studio pour les modèles SageMaker JumpStart onboardés.
Chaque modèle sur SageMaker JumpStart inclut des configurations de déploiement, des exemples de notebooks et de la documentation. Pour une démonstration pratique, consultez notre article de blog connexe «Deploy and evaluate models with Amazon SageMaker JumpStart”.
Conclusion
Les trois premiers trimestres de 2026 ont été une période de progrès significatifs pour Amazon SageMaker JumpStart. Avec plus de 100 nouveaux modèles onboardés provenant de 30 fournisseurs, le catalogue couvre désormais un large éventail de capacités. Cela inclut des modèles de raisonnement de pointe, des modèles de vision-langage multimodaux, l'IA créative pour la génération d'images et de vidéos, la reconnaissance et la synthèse vocales, la reconnaissance optique de caractères (OCR) et la compréhension de documents, des modèles d'embedding et de récupération pour le RAG, des modèles de workflows agentiques et des modèles spécialisés de calcul scientifique.
Ces priorités d'onboarding reflètent là où nous constatons la plus forte demande des clients et la plus grande opportunité d'accélérer l'adoption de l'IA sur AWS. Elles comprennent l'expansion du portefeuille, la réduction du déficit multimodal, le rendement de l'IA créative accessible, la priorité donnée à l'efficacité et à la quantification, l'onboarding de modèles à usage spécifique et l'élargissement de la diversité des fournisseurs.
Combiné aux améliorations telles que le Model Hub simplifié, les options de déploiement préconfigurées et l'intégration du lien profond Hugging Face, SageMaker JumpStart continue de réduire l'écart entre la découverte de modèles et le déploiement en production. Consultez le SageMaker JumpStart model catalog pour explorer la gamme complète.
Prochaines étapes
Il existe de nombreuses façons de commencer avec SageMaker JumpStart. Essayez l'une d'elles vous-même !
- Évaluez les modèles et choisissez celui qui vous convient
- Apprenez comment Déployer depuis HuggingFace vers SageMaker Studio
- Utiliser des modèles pré-entraînés dans déploiements basés sur des cas
- Concevoir une usine de modèles Physical AI sur SageMaker HyperPod