AWS מוסיפה את Gemma-4, Voxtral, Qwen3 ומסנן פרטיות של OpenAI ל-SageMaker JumpStart
AWS דחפה גל של מודלים חדשים אל SageMaker JumpStart, קטלוג המודלים הבסיסיים המנוהל שלה הניתנים ל-deploy, ביום אחד. התוספות פרושות על פני ספקים ותרחישי שימוש רבים: gemma-4-E2B-it של Google DeepMind, מודל מולטימודלי מכוונן-הוראות המותאם להרצה מקומית יעילה על טקסט, תמונה ואודיו; Voxtral-Mini-4B-Realtime-2602 של Mistral, מודל תמלול דיבור רב-לשוני בזמן אמת ליישומי קול ב-latency נמוך; Qwen3-VL-Embedding-2B ו-Qwen3-Reranker-4B לאחזור מידע וחיפוש חוצה-מודליות; ו-privacy-filter של OpenAI, מודל סיווג token דו-כיווני לזיהוי ומיסוך מידע מזהה אישית.
מבחינה מעשית, JumpStart מאפשר ללקוחות לבצע deploy למודלים אלה עם תשתית מוגדרת מראש והקצאה בלחיצה אחת, תוך הימנעות מהעומס התפעולי של אירוח עצמי. ה-privacy-filter בפרט מכוון ל-workflows של ניקוי נתונים — צורך מונע-רגולציה ככל שארגונים מזינים יותר נתונים רגישים למערכות AI — בעוד Voxtral נותן מענה לשוק ה-agents הקוליים בזמן אמת הצומח, וה-embeddings של Qwen3 משרתים pipelines של RAG.
מבחינה תחרותית, הרוחב הוא הסיפור: AWS ממצבת את SageMaker (ואת Bedrock) כמאגדים ניטרליים לספק, ומציעה מודלים של Google, Mistral, Qwen של Alibaba ו-OpenAI זה לצד זה כדי שארגונים יוכלו לערבב ולהתאים בלי תלות בספק. הדבר משקף את ה-GA של GPT-5.6 ב-Bedrock ואת תוספות Claude Sonnet 5 מאותו יום, ומדגיש את אסטרטגיית האגרגטור של AWS.
הספקנים מציינים שקטלוג צפוף מעביר את הנטל ללקוחות להעריך ולבחור את המודל הנכון, ושהנוחות של JumpStart מגיעה עם תלות בתשתית של AWS. שווה לעקוב אחר דפוסי האימוץ — האם המודלים הקטנים והיעילים הללו (Gemma-4 E2B, Voxtral Mini) יתפסו אחיזה ב-deployments של edge ורגישי-עלות, לעומת הדגלים המובילים.
