AWS adiciona ajuste completo de modelos ao SageMaker AI Serverless
A AWS passou a oferecer Full Fine-Tuning no SageMaker AI Serverless Model Customization. Em testes de geração de código, a empresa registrou 90,0% de correção semântica após três épocas de treinamento.

A AWS publicou um artigo sobre o suporte ao Full Fine-Tuning (FFT) no SageMaker AI Serverless Model Customization. O serviço permite personalizar modelos sem que a equipe configure GPUs ou clusters. O texto detalha os experimentos da empresa, orientações de ajuste e como iniciar um treinamento com FFT.
No FFT, o treinamento atualiza todos os parâmetros do modelo. O LoRA, por sua vez, altera apenas componentes menores, o que reduz a necessidade de recursos de GPU, mas pode limitar o desempenho em tarefas complexas. A AWS testou os métodos com o Qwen3-4B e o conjunto Magicoder-Evol-Instruct-110K, formado por 110 mil pares de instruções e respostas sobre programação.
Na avaliação automatizada de correção semântica de código, o FFT alcançou 90,0% após três épocas. Segundo a AWS, estender o treinamento além de três épocas reduziu os resultados em todas as variantes testadas. A empresa também relata vantagem do FFT em outras métricas, incluindo semelhança entre códigos gerados e respostas de referência. Os testes comparam métodos sob as mesmas instruções, respostas e código de avaliação.
A AWS alerta que atualizar todos os parâmetros pode comprometer conhecimentos gerais do modelo. Os resultados descritos se referem a tarefas, modelos e configurações específicas, não a uma superioridade garantida para qualquer uso.
O que muda para você
A opção serve a equipes que personalizam modelos no SageMaker AI e querem testar o ajuste completo sem configurar GPUs ou clusters. O artigo mostra como iniciar esse treinamento e apresenta resultados, mas não informa preços. Para quem não treina modelos, nada muda de imediato: os ganhos relatados são de experimentos de geração de código e não garantem melhora em outras tarefas.
Minha leitura
Os 90,0% só fazem sentido junto das condições do teste: um modelo específico, dados de programação e uma avaliação de correção de código. Eu trataria esse resultado como evidência para investigar, não como promessa para outros projetos. O critério prático é comparar FFT e LoRA na tarefa real e acompanhar se o ajuste especializado prejudica conhecimentos que a aplicação ainda precisa.
Thiago FelizolaConsultor de IA, curador do Diário da IA

