发生了什么
AWS 发布了关于 Amazon SageMaker AI 的更新，介绍其 Python SDK v3 对脚本模式进行了重新设计，核心是引入统一的 ModelTrainer 和 ModelBuilder 类。
该发布通过两个端到端示例进行说明：一个使用 scikit-learn 的随机森林模型，另一个是基于多 GPU 的 Stable Diffusion 3.5 LoRA 微调任务。
新方案中的 SourceCode 功能可以在运行时将用户本地代码同步到任意容器中，从而使开发者无需重新构建 Docker 镜像即可进行迭代。
为什么重要
这项更新降低了自带模型进行训练和微调的门槛，开发者可以更专注于代码本身，而不是容器构建的繁琐流程。
统一的类设计有望简化不同框架间的使用体验，让从传统机器学习到生成式 AI 的工作流衔接更顺畅。
运行时同步代码的方式能够显著缩短迭代周期，对需要频繁试验的模型调优场景尤其有价值。
关键事实
SageMaker Python SDK v3 重新设计了脚本模式。
新版本统一了 ModelTrainer 和 ModelBuilder 类。
文章包含两个端到端示例：scikit-learn 随机森林和多 GPU 的 Stable Diffusion 3.5 LoRA 微调。
SourceCode 可将本地代码在运行时同步到任意容器中。
此方法无需重建 Docker 镜像即可迭代。
接下来看什么
未来可能会有更多基于 SDK v3 脚本模式的示例或最佳实践发布，帮助开发者更快上手。
随着生成式 AI 微调需求的增长，多 GPU 场景下的脚本模式支持是否会进一步扩展值得关注。
本地代码运行时同步机制的实际性能和安全性，可能在后续使用中得到更多验证。