AWS 发布了 Nova Forge SDK，目标是把企业在定制大语言模型时常见的复杂流程尽量收拢到一套统一工具中。按照 AWS 的说法，通用大模型虽然覆盖面广，但在处理企业专有数据、行业术语和内部流程时，经常无法直接满足需求。企业往往需要在更高质量的模型定制与更复杂的工程投入之间做权衡，而 Nova Forge SDK 就是希望降低这部分进入门槛。
从数据准备到部署的一体化工具链
Nova Forge SDK 覆盖的范围不只是训练本身，还包括数据准备、训练作业管理以及部署输出。AWS 将其描述为一个围绕模型定制全生命周期设计的统一工具包，能够让开发团队通过较少的配置启动实验，同时又保留对底层服务 SDK 的访问能力。换句话说，它既提供了带默认值和指引的简化流程，也允许更熟悉基础设施的团队按需深入定制。
支持多种常见定制路线
从能力上看，Nova Forge SDK 支持的不是单一微调方案，而是把 Amazon Bedrock 与 Amazon SageMaker AI 里的多种定制能力串联起来，包括监督微调（SFT）、强化微调（RFT）、直接偏好优化（DPO），以及 LoRA 和全参数训练等方式。AWS 还提到，客户可以从更早期的模型检查点出发，把自有数据与 Amazon Nova 侧整理的数据结合起来，构建更符合企业实际需求的模型。
解决定制后能力退化与工程复杂度问题
AWS 在文章里特别提到，大模型在针对特定任务微调后，常常会出现基础能力下降的现象，比如指令遵循、推理能力或通用知识水平减弱，也就是所谓的 catastrophic forgetting。Nova Forge 希望帮助企业在模型专用化和基础能力保持之间取得更好的平衡。同时，它还试图减少依赖管理、镜像选择和训练配方配置这些“非差异化重活”，让团队把精力更多放到实验设计和业务目标本身，而不是基础设施拼装。
落地前提仍然不低，更像是“降低复杂度”而非“零门槛”
不过，AWS 也明确列出了较高的前置要求。用户需要 AWS 账户、CLI 配置、SageMaker AI 访问权限、S3 存储桶、至少两个 IAM 角色，以及 ml.p5.48xlarge 实例的充足配额。文章示例还提到，某些训练场景至少需要 4 台实例，如果训练与评估并发进行，可能需要至少 5 台。换言之，Nova Forge SDK 更像是在高门槛基础上继续压低工程复杂度，而不是把企业级模型定制变成一件轻量任务。
