Amazon Web Services 于 2026 年 11 月 17 日在 AWS What's New 发布公告,宣布 Amazon SageMaker 新增 AI 数据准备能力,页内标注 Posted on: Nov 17, 2026。按官方说明,这套能力覆盖从自有文档生成合成样本、按内置或自定义任务自动标注、把低置信度记录送进人工复核队列、评估数据质量,以及用去重过滤与格式转换整理数据;可通过 SageMaker Python SDK 的 API 或 Agent Toolkit for AWS 里的 AI-ML skill 调用。官方明确在 us-east-1 与 us-west-2 两个区域可用,源数据与生成结果留在用户自有 S3 桶中并由用户管理的 IAM 角色控制。官方页未标阶段标签,配额与价格以官网为准。
Amazon SageMaker 新增 AI 数据准备能力:从自有文档生成合成样本,低置信度记录转人工复核
这次发布的是什么
Amazon Web Services 于 2026 年 11 月 17 日在 AWS What's New 发布公告,宣布 Amazon SageMaker 新增 AI 数据准备能力(页内 Posted on: Nov 17, 2026)。按官方说明,这套能力帮数据科学与机器学习团队为文本模型定制与传统机器学习构建训练和评估数据集,覆盖从自有文档生成合成样本、自动标注、人工复核、数据质量评估到数据转换的一整段流程。同日 AWS 机器学习博客另有一篇对应的说明文章,属同一次发布的配套稿,本文合并为一条。
需要先划清几条边界。其一,这不是新模型发布,而是数据集构建环节的能力更新;官方页没有把其中任何一步写成新的自研模型。其二,官方页没有标注 GA、预览或公测一类的成熟度标签,本文两边都不写。其三,同日 AWS 还有 Bedrock AgentCore Memory 的会话摘要与保留期等多条更新,以及大量 re:Invent 期间的公告,那些是不同服务的独立条目,本文不合并;站内也已有 SageMaker Training Sessions 与 Bedrock 文档处理相关专稿,本条讲的是数据集准备这一段。其四,自动标注给出的置信度是筛选复核样本的阈值依据,不是模型性能评分,本文不把它写成打分或名次。其五,官方页未给出配额、完整任务类型清单与价格,以官网为准。
可用性与限制
- 记录时间:What's New 页内 Posted on: Nov 17, 2026;官方 what's-new RSS 条目时间 2026-11-17T19:00:00Z
- 区域范围:官方写明在 US East (N. Virginia) us-east-1 与 US West (Oregon) us-west-2 两个区域可用
- 成熟度:官方页未标 GA、预览或公测一类的阶段标签,本文两边都不写
- 接入方式:通过 SageMaker Python SDK 的 API,或用 Agent Toolkit for AWS 里的 AI-ML skill 以自然语言调用
- 数据来源:可从 Amazon S3、Amazon Athena 或 AWS Glue Data Catalog 中的既有数据起步
- 数据边界:官方写源数据、生成的数据集与标签都留在用户自己的 S3 桶里,由用户管理的 IAM 角色控制
- 人工复核:低于置信度阈值的记录进入 SageMaker AI Studio 内 Label Studio Community Edition 的复核队列
- 未核实项:配额、内置任务类型的完整清单、各区域的功能差异与价格,以官网为准
- 指标口径:官方页未给出基准分数或性能倍数,本文也不补
主要功能
- 从规格说明与自有文档生成训练、评估与测试用的合成样本
- 按内置任务类型自动标注,覆盖分类、命名实体识别、抽取式问答、序级评分与摘要
- 支持自定义标注任务类型
- 把低置信度记录送进人工复核队列
- 评估数据质量,识别重复项、语气与多样性不足等问题
- 用去重、过滤与格式转换等算子整理数据
- 通过 Python SDK 或自然语言方式调用
- 让源数据与生成结果留在自有 S3 桶中
技术原理
按官方 What's New 公告与配套博客,这套能力把数据集构建拆成几段可分别调用的步骤,官方没有公开底层模型结构或训练细节,本文不补未公开实现。可核对的流程是:先给一份规格说明并指向自有文档,由合成数据生成环节产出训练、评估与测试样本;自动标注环节按内置任务类型(分类、命名实体识别、抽取式问答、序级评分、摘要)或自定义任务给记录打标,并给出置信度;低于阈值的记录不直接进训练集,而是落到 SageMaker AI Studio 里 Label Studio Community Edition 的人工复核队列,由人确认后再用。数据质量评估环节查重复与语气、多样性不足一类的问题,同时给质量指标与规则;数据转换环节再用去重、过滤、格式转换等算子把数据整理成所选训练或评估方法需要的形状。
数据边界是这套流程里比较关键的一层:官方写源数据、生成的数据集与标签都留在用户自己的 S3 桶中,由用户管理的 IAM 角色控制访问;起点可以是 S3、Athena 或 Glue Data Catalog 里已有的数据,不必先迁到另一套存储。也就是说它更像在既有数据链路之上加了一组可编排的处理步骤,而不是另起一个数据平台。自动标注给出的置信度是筛选复核样本的阈值依据,不是模型性能评分;官方没有在公告页展开阈值怎么设、质量指标怎么算,本文不推断,具体参数以官方当前文档为准。
实际体验
这里能核对的是官方 What's New 公告页、同日的配套博客与官方 RSS 条目,不是本站的实测结论。复核路径有三条:到 What's New 页看页内 Posted on 日期、功能段落与两个可用区域;到 AI 数据准备文档看参数定义与调用方式;再到 AWS 机器学习博客的对应文章看是否有更细的流程说明。三条都不需要开通服务就能读到公开说明。
实际落地时一个容易踩的坑是区域:官方明确只列了 us-east-1 与 us-west-2,其它区域能否使用不能凭公告推断;另外官方页没有给出阶段标签,把它写成已全面可用或写成公测都不合适。另一个容易忽略的是人工复核这一步 —— 自动标注只按置信度把不确定的记录送进队列,最终质量取决于人是否真的处理了这批记录,官方并没有给出免复核的一键保证。
还有一处口径要留白:同日 AWS 还有 Bedrock AgentCore Memory 的会话摘要、保留期等多条更新,以及大量 re:Invent 期间的公告,那些是不同服务的独立条目,本文不合并;站内也已有 SageMaker Training Sessions 与 Bedrock 文档处理相关的专稿,本条讲的是数据集准备这一段,不是训练会话或文档抽取。配额、价格与完整任务类型清单以官网为准,本文不补官方页未写明的数字。
项目地址与获取方式
官方入口是 AWS What's New 的该条公告页与 SageMaker AI 数据准备的官方文档;开发者可从 SageMaker Python SDK 的对应 API 进入,或用 Agent Toolkit for AWS 中的 AI-ML skill 以自然语言调用。官方同时给出 Label Studio Community Edition 在 SageMaker AI Studio 中的复核入口,以及 S3、Athena、Glue Data Catalog 三种数据起点。请通过官方渠道获取,避免安装被篡改的版本;可用区域、配额、依赖版本与价格一律以官网为准。
适合谁用
- 需要为文本模型定制或传统机器学习构建训练与评估数据集的数据科学团队
- 已有大量自有文档、想先做合成样本与自动标注再人工复核的机器学习工程师
- 对数据留存位置有要求、需要把数据集与标签放在自有 S3 桶的团队
- 在 SageMaker Python SDK 或 Agent Toolkit 之上搭工作流的平台开发者
- 主要工作在其它区域、或只需要单次推理而不构建数据集的项目,这次的收益有限;另外把自动标注的置信度当成模型评分来读会偏题,那是筛选复核样本用的阈值
常见问题
这套能力是正式可用还是公测?
官方页没有给出阶段标签,所以本文两边都不写。What's New 公告里明确的是功能内容、两个可用区域、接入方式与数据边界,没有出现 GA、预览或公测一类的成熟度表述。遇到这种官方自己没说的情况,按本站口径不替它补判断,也不据第三方转述推断。要确认当前阶段的准确说法,以官方当前文档与公告为准。
数据会被送到别的服务里保存吗?
按官方说明不会另起一套存储。官方写源数据、生成的数据集与标签都留在用户自己的 Amazon S3 桶中,由用户管理的 IAM 角色控制访问;起点可以是 S3、Athena 或 Glue Data Catalog 里已有的数据。也就是说处理步骤跑在既有数据链路之上,结果仍落在自己账号的存储里。具体的权限配置与留存细节官方页没有展开,本文不推断,以官方当前文档为准。
自动标注还需要人工参与吗?
需要。官方写自动标注会给记录附置信度,低于阈值的记录进入 SageMaker AI Studio 内 Label Studio Community Edition 的人工复核队列,由人确认后再用;这一步是流程设计的一部分,不是可选项的补充说明。把它理解成「全自动产出可用训练集」会高估当前能力。阈值如何设、复核后如何回写,官方公告页没有展开,本文不补未核实的步骤,以官方当前文档为准。
这和其他 SageMaker 与 Bedrock 公告是同一件事吗?
不是。同日 AWS 还发布了 Bedrock AgentCore Memory 的会话摘要与保留期等多条更新,站内此前也写过 SageMaker Training Sessions 与 Bedrock 文档处理相关的专稿;那些讲的是训练会话、智能体记忆或文档抽取,本条讲的是构建训练与评估数据集这一段。判断口径是看服务名与能力段落:不同服务、不同环节的公告各自独立,本文不把它们合并成一篇汇总稿。
相关工具与内容
按方向浏览可进 AI 编程分类、AI 智能体分类 与 其他 AI 分类。工具页可对照 Dify、LangChain、n8n、千帆 与 火山方舟 在工作流与数据链路上的差别。脉络上建议连着看 SageMaker 训练会话、Bedrock 文档处理、Bedrock 网页搜索 API、智能体编排怎么选 与 S3 Vectors 混合检索,几篇分别对应训练会话、文档抽取、检索接口与编排选型这几条不同的读者线。
相关内容
AWS Quick 同日三组更新:插件打包智能体与技能,网页端与 Flows 打通跨端工作流
AWS 在 2026 年 11 月 20 日至 21 日连续发布三条 AWS Quick 更新:插件可把智能体、技能、连接器与流程打包成一次安装的单元;网页端把桌面体验搬进浏览器,并更新浏览器扩展与 Microsoft 365 加载项;Flows 支持用对话构建自动化,并加入确定性步骤与输出校验。官方用户指南说明 Quick 由 Amazon QuickSight 演进而来,原有 QuickSight 接口与集成继续可用。
Amazon Bedrock 网页搜索新增五种语言与国别字段:按用户所在国偏置检索来源
AWS 于 2026 年 11 月 21 日宣布 Amazon Bedrock 的 Web Search 工具新增西班牙语、法语、德语、意大利语和日语,并支持非美式英语;同时加入可选的国家字段,用 ISO 3166-1 alpha-2 代码把检索来源偏置到指定国家。现有客户无需改代码即可获得语言能力,可用区域与数据驻留口径以官网为准。
Transformers v5.24.0 发布:纳入十个新模型架构,缓存参数改名进入兼容期
Hugging Face 于 2026 年 11 月 21 日发布 Transformers v5.24.0,正式版标注为 prerelease=false。本次新增 Inkling 2 Mini、Apertus 1.5、Omnilingual ASR、HY4-VL 等十个模型架构支持,同时把 past_key_values 与 cache_params 统一改名为 cache,并给出跨版本的兼容时间表。
继续阅读:GitHub Copilot Evals 进入公开预览:给技能、自定义智能体与 MCP 工具建立可重复的检查 · Claude Code v2.1.326:Code Mode 可与智能体团队同时开启,并收拢一批权限与会话修复