AWS 在 Nova Forge SDK 系列第二篇文章中，把重点放在一个很现实的问题上：企业想让模型更懂自己的业务数据，但又不希望一微调就把原本的通用能力丢掉。Nova Forge 给出的核心方法，是在训练时把客户自己的数据与 Amazon 策划的数据集混合使用。
文章引用此前实验的结果称，在一个覆盖 1,420 个叶子类别的 Voice of Customer 分类任务上，这种数据混合方法让 F1 提升了 12 个点，同时尽量保住了接近基线的 MMLU 表现；而仅用客户数据去微调开源模型，则会明显削弱通用能力。
从数据准备到训练评估的完整流程
这篇实践文档从环境准备开始，覆盖 HyperPod CLI、Nova Forge SDK 的安装、S3 存储配置，再到训练和评估的全过程。为了演示领域化微调，AWS 选用了 Hugging Face 上公开的 MedReason 医疗推理数据集，规模约 3.27 万组问答。
SDK 还会对训练样本进行 token 级校验，避免训练数据中出现和模型内部聊天模板冲突的字符串，例如字面量的 System: 或 Assistant:。文章建议通过插入空格或清理保留标记的方式，减少训练信号被误读的风险。
高成本门槛仍然存在
AWS 也没有回避成本问题。示例训练和评估使用了 4 台 `ml.p5.48xlarge` 实例，这属于高端 GPU 资源，因此它建议先用 `max_steps=5` 做小规模验证，再决定是否进行完整训练。
从路线图来看，Nova Forge 的意义不只是提供一套 SDK，而是把“如何在不伤害基础能力的前提下做垂直微调”包装成一条更标准化的工程流程。对希望在自有数据上定制基础模型的企业来说，这类工具链会越来越重要。
