SageMaker JumpStart nimmt 2026 mehr als 100 Modelle von 30 Anbietern auf

Was SageMaker JumpStart bietet

SageMaker JumpStart ist ein Hub für maschinelles Lernen innerhalb von Amazon SageMaker AI. Er bietet einen kuratierten Katalog aus KI-Modellen, Lösungsvorlagen und Beispiel-Notebooks und verkürzt laut AWS den Weg von der Modellauswahl bis zur Bereitstellung. Der Dienst deckt drei zentrale Anwendungsfälle ab: Modelle finden und bewerten, sie per Klick auf einem SageMaker-Echtzeit-Inferenz-Endpunkt bereitstellen und sie anpassen.

Zur Anpassung können Nutzer Modelle in der Konsole oder per SDK mit Verfahren wie Low-Rank Adaptation (LoRA), Supervised Fine-Tuning (SFT), Direct Preference Optimization (DPO) und Reinforcement Learning with Verifiable Rewards (RLVR) feintunen. Der Zugriff ist über die SageMaker-Studio-Konsole, das SageMaker Python SDK oder direkt von Hugging Face aus möglich, und zwar über eine kürzlich eingeführte Deep-Link-Integration.

Welche Anbieter die meisten Modelle beisteuerten

Laut AWS wurde das Wachstum durch das steigende Tempo bei Veröffentlichungen von Open-Source-Modellen und die wachsende Nachfrage der Kunden nach Auswahl getrieben. Die Aufschlüsselung nach Anbietern:

• Alibaba (Qwen): 29 Modelle, die Reasoning, Mixture-of-Experts, agentische Workflows, Code, Spracherkennung, Text-to-Speech, Embeddings und Reranking abdecken.
• NVIDIA: 17 Modelle, darunter die Cosmos3-Familie von World Foundation Models und mehrere Nemotron-Modelle.
• Mistral: 7 Modelle, darunter die Ministral-3-Familie und Voxtral-Mini-4B-Realtime.
• Google: 6 Varianten von Gemma 4.
• IBM: 4 Modelle, darunter Varianten von Granite 4.0 und granite-speech-4.1-2b.
• Cohere: 4 Modelle, darunter Command A und Rerank-Versionen.
• Weitere: 33 Modelle von Anbietern wie MiniMax, Zhipu AI, DeepSeek, Moonshot AI, Allen AI, Microsoft, Meta, Black Forest Labs, JetBrains, OpenBMB, BharatGenAI, Kakao und OpenFold.

AWS weist darauf hin, dass der Katalog nun 30 Anbieter umfasst, nach einem in den Vorjahren stärker konzentrierten Angebot, und argumentiert, dass die Verringerung von Konzentrationsrisiken für Unternehmenskunden wichtig sei.

Schwerpunkte: multimodale, kompakte und spezialisierte Modelle

AWS nennt mehrere Prioritäten. Bei NVIDIA hebt das Unternehmen die Cosmos3-Modelle in den Stufen Super, Edge und Nano hervor, die nach eigenen Angaben Videogenerierung, Physiksimulation und Handlungsplanung für Physical-AI-Anwendungen wie Robotik, autonome Systeme und digitale Zwillinge verbinden.

Bei multimodalen Workloads verweist das Unternehmen auf NVIDIA Nemotron 3 Nano Omni, das Text, Bild und Sprache in einem Modell verarbeitet, sowie auf Gemma 4, granite-speech-4.1-2b und Voxtral-Mini. Laut AWS können Kunden dadurch darauf verzichten, separate Vorverarbeitungsmodelle hintereinanderzuschalten.

Für kreative KI kamen FLUX.2 Small Decoder und FLUX.2-klein-base-4B von Black Forest Labs, Meta Muse-Glimmer-30B sowie NVIDIA Cosmos3 zur Videogenerierung in den Katalog.

AWS nahm außerdem effiziente und quantisierte Modelle für Kunden auf, die auf die Inferenzkosten achten. Beispiele sind Zhipu AI GLM-5.2 FP8, JetBrains Mellum2-12B mit nur 2,5 Mrd. aktiven Parametern und OpenBMB MiniCPM5-1B mit 1 Mrd. Parametern. Laut AWS zeigen Microsoft Phi-4-mini-instruct und IBM Granite 4.0 h-tiny, dass kompakte Modelle Produktions-Workloads auf Instanztypen wie ml.g5.xlarge bewältigen können.

Zweckgebundene Modelle runden die Liste ab: Qwen-AgentWorld-35B-A3B für autonome Workflows mit nativem Tool-Calling, GLM-OCR, LightOnOCR und DeepSeek-OCR für die Textextraktion aus Dokumenten, Qwen3-Reranker-4B und Cohere Rerank v4.0 für präzisere Treffer in RAG-Pipelines sowie OpenFold3 für die Vorhersage von Proteinstrukturen.

Plattformverbesserungen: Model Hub und Bereitstellungskonfigurationen

AWS hat zudem Änderungen ausgeliefert, die Reibungsverluste verringern sollen. Bisher musste man für die Suche nach JumpStart-Modellen in SageMaker Studio gehen und in der linken Navigation den JumpStart-Bereich finden. Der neue Model Hub zeigt den gesamten Katalog nun auf der Startseite der SageMaker-AI-Konsole. Nutzer können nach Kategorie stöbern und nach Ein-/Ausgabemodalität, Herausgeber, Modellgröße, Lizenz und Framework filtern, Beispiel-Notebooks ansehen und Modelle mit einem Klick in Studio öffnen.

Bei der Bereitstellung erforderte die Wahl von Instanztyp, Serving-Container und Optimierungseinstellungen laut AWS bisher meist manuelles Benchmarking über Dutzende Kombinationen. JumpStart bietet jetzt benannte Bereitstellungskonfigurationen, darunter eine Option „Balanced“, die Kosten, Latenz und Durchsatz für universelle Workloads gleichmäßig abwägt. Der Quelltext bricht bei der Aufzählung der weiteren Optionen ab; weiter vorn im Artikel werden sie als kostengünstig, latenzarm, durchsatzstark oder ausgewogen beschrieben.

Was das für Nutzer bedeutet

Für Teams, die auf SageMaker aufbauen, bedeutet das Update eine breitere Auswahl offener Modelle von mehr Anbietern, mit demselben Ein-Klick-Bereitstellungsweg für Sprach-, Bild-, Sprach- und Bildgenerierungsmodelle. Der Mix aus kompakten und quantisierten Modellen eröffnet denjenigen, die auf die Inferenzkosten achten, mehr Optionen, während Model Hub und voreingestellte Konfigurationen die Zeit zwischen dem Erkunden eines Modells und seinem Betrieb verkürzen sollen. Diese Vorteile geben die Darstellung von AWS zu Katalog und Funktionen wieder.