据AWS介绍，Amazon SageMaker AI训练会话API允许开发者用Python编写自己的训练循环，同时由服务承担GPU执行工作。开发者可以调用forward_backward、optim_step和sample等操作，逐步组织模型更新与生成过程。这些调用作用于持续存活、保留状态的会话，模型在不同步骤之间保持加载在GPU上。

服务负责的工作包括运行环境设置、分布式执行、梯度同步、故障恢复和租户隔离。开发者则通过自己的Python代码安排训练步骤。这里的控制方式以会话及其操作为核心：训练循环可以包含生成、评分、更新和再次生成，而基础运行工作交由服务处理。

从本地Python控制训练

用户可以从本地Python进程驱动会话，所选基础模型及LoRA适配器加载在托管加速器上。按照AWS描述，这种编程模型无需先创建集群，也无需预先编写一份描述整个任务的配置文件。循环中的具体调用由Python程序组织，模型则持续驻留在托管计算资源中。

SDK按顺序使用三个客户端。ServiceClient保存平台设置并启动会话；TrainingClient提供训练操作和检查点操作；SamplingClient提供sample及compute_logprobs。活跃会话还提供兼容OpenAI的聊天补全端点。三个客户端分别对应平台与会话启动、训练与保存，以及生成与概率计算。

文章展示的强化学习循环先让托管GPU生成回答，再由本地Python代码计算评分。随后，程序调用forward_backward和optim_step更新模型，并通过save_weights_and_get_sampling_client刷新采样客户端。由此，生成、局部评分和参数更新构成了可在Python中编排的循环。

监督微调使用相同的基础操作，但省去采样和奖励计算，直接对带标签样本使用cross_entropy损失。AWS还列出ppo、importance_sampling和cispo等强化学习损失，以及偏好优化、蒸馏等自定义目标。不同目标的区别体现在训练循环和损失的组织方式中。

异步调用、顺序与计费

与GPU执行有关的调用会立即返回APIFuture对象，请求在后台排队并提交。程序调用result()时等待对应操作完成。采样请求可以一起提交，以并发生成回答；训练操作则按照提交顺序执行。因此，文章明确区分了生成请求的并发方式与训练更新的执行顺序。

示例中的训练数据不仅包含提示和回答的token，还包括采样时记录的逐token对数概率、优势值，以及排除提示token损失的掩码。这些字段把生成阶段的信息、回答的相对评价和参与损失计算的位置放在同一条训练记录中。提示内容虽然存在于记录里，但通过掩码不计入该示例的损失。

计费方面，AWS表示，费用依据GPU相关操作处理的token数量计算。本地奖励计算、数据加载、日志记录或调试期间，不收取GPU时间费用。材料没有给出每token的具体价格，也没有提供可用于量化成本节省的数据，因此这里能够确认的是所描述的计费边界。

AWS将训练会话定位在几种服务模式之间：相较完全托管的Serverless Model Customization，它提供更多算法控制；相较SageMaker Training Jobs或HyperPod，用户承担的运维工作更少。这个定位与文章的编程方式相呼应，即用户组织训练算法，服务负责运行和分布式执行。

检查点、恢复与配方

每次保存检查点都会注册一个模型包版本。示例分别保存用于部署的合并模型，以及包含权重和优化器状态、用于继续训练的状态。恢复训练使用create_training_client_from_state_with_optimizer。这两类保存结果分别服务于部署和恢复训练，示例对它们作了区分。

合并检查点可以部署到实时端点。会话在停止或到期之前，都会占用并发会话配额；保存检查点与结束会话是材料中分别描述的事项。给定资料没有列出并发配额的具体数值，因此无法从示例推导可同时运行多少个会话。

配套训练会话配方集提供可复用的监督微调和强化学习流程，并处理批次组织、聊天模板、优势估计、采样与训练重叠、验证及检查点恢复。它还记录每一步的指标和运行配置。对于阅读示例的开发者，这些配方展示了基础API如何被组织为更完整的训练过程。

列出的配方包括使用Tulu 3和UltraChat的聊天监督微调、完整规模的GSM8K强化学习，以及根据二元反馈进行KTO偏好对齐。材料同时提供数学任务和编程任务的实例，展示生成结果如何进入评分，再由评分参与模型更新。

数学示例的结果由AWS报告

GSM8K示例使用GRPO训练GPT-OSS 20B的LoRA适配器。其奖励逻辑关注组内相对表现：正确性得分超过同组平均水平的回答会得到强化。AWS报告，在40道题上执行10个训练步骤后，留出测试数据上的准确率由56%升至75%。

这些数字描述的是文章给出的特定样例运行，关联着指定模型、数据及训练步骤。它们是AWS报告的结果，没有提供独立验证，也不能据此把相同提升幅度推广到其他模型、数据集或训练任务。

编程配方支持测试与修改

code_rl配方使用DeepCoder中的竞赛编程题，将生成的Python解答放入本地SandboxFusion容器，以单元测试评分。全部测试通过时奖励为1，否则为0；回答缺少代码块时，还会受到0.1的惩罚。评分规则因而同时包含测试结果和代码块要求。

该配方采用两轮设置，允许模型调用check_solution、查看测试结果，再修改自己的答案。测试反馈由此进入同一次两轮交互：模型可以在得到检查结果后修订解答，而后续训练使用这一流程生成的回答。

在执行安排上，编程配方让回答生成与训练重叠进行，同时限制回答的陈旧程度。它使用cispo校正策略差异，并以子批次提交梯度计算。生成与更新重叠、限制滞后以及校正策略差异，是材料共同描述的训练安排。

AWS报告的编程运行使用秩为32的GPT-OSS 20B LoRA适配器，训练50步，涉及128道题，每题生成8个回答，采用两轮交互，并将陈旧程度限制在3个训练步骤以内。在该运行中，训练奖励从0.46升至0.60；在200道留出题目上的准确率从40%升至50.5%。指标也可选择发布到SageMaker托管MLflow。

上述编程指标同样只对应AWS列出的具体运行。现有材料没有枚举支持的基础模型、可用AWS区域、数值配额或每token价格。因而，这份介绍能够说明会话编程方式、训练配方和报告中的实验结果，但不能补出这些未给出的可用性与价格细节。