SageMaker
亚马逊AWS提供的全托管机器学习平台，支持模型训练、部署和推理，可在企业VPC内运行，广泛用于生产级AI/ML工作负载
核心事实
时间轴 (近 90 天)
SageMaker Studio底层依托SageMaker的托管基础设施，可按需启动Notebook实例、训练作业和推理端点，并支持自动扩缩容。
SageMaker基于实例类型与运行时长计费，而非token数量。
该 MCP 服务器演示中包含六个推理后端：Amazon Bedrock、一个 SageMaker 端点、EC2 g6 上的 vLLM、g5g 上的推理服务，以及 Inferentia2 (inf2) 和 Trainium (trn1) 上的 Gemma 4 模型。
list_backends 一次调用在 0.78 秒内完成五个 AWS 查询（四个区域各一次 EC2 查询加一次 SageMaker 查询），每个运行中的实例额外增加一次 SSM 查询。
SageMaker每Token成本约为$3.24，是g6的$1.69的两倍。
SageMaker跑在与g6完全相同的L4 GPU和相同权重上，每个请求比g6多出约0.24秒的托管路径开销（87个Token在g6上耗时0.660秒，在SageMaker上耗时0.902秒）。
使用Strands的BedrockModel接入Bedrock只需少量代码，而SageMaker需要create-model、create-endpoint-config、create-endpoint三次API调用，且实测端点部署到InService耗时约9分钟。
SageMaker和Vertex AI等云平台托管服务功能强大，但学习曲线和成本对个人开发者不友好
AI Agent主流部署路径包括本地部署开源模型、AWS云端自建部署、托管API服务三种方案
S3 API 催生了大量工具链，包括 AWS CLI、各语言 SDK、s3cmd、rclone 等
还有 1 条时间轴事件
全部知识事实 (11)
对于高频使用场景，API 按量计费往往比订阅制更具成本可预测性
75%待验证S3 API 催生了大量工具链，包括 AWS CLI、各语言 SDK、s3cmd、rclone 等
60%待验证SageMaker Studio底层依托SageMaker的托管基础设施，可按需启动Notebook实例、训练作业和推理端点，并支持自动扩缩容。
50%待验证SageMaker基于实例类型与运行时长计费，而非token数量。
50%待验证该 MCP 服务器演示中包含六个推理后端：Amazon Bedrock、一个 SageMaker 端点、EC2 g6 上的 vLLM、g5g 上的推理服务，以及 Inferentia2 (inf2) 和 Trainium (trn1) 上的 Gemma 4 模型。
50%待验证list_backends 一次调用在 0.78 秒内完成五个 AWS 查询（四个区域各一次 EC2 查询加一次 SageMaker 查询），每个运行中的实例额外增加一次 SSM 查询。
50%待验证SageMaker跑在与g6完全相同的L4 GPU和相同权重上，每个请求比g6多出约0.24秒的托管路径开销（87个Token在g6上耗时0.660秒，在SageMaker上耗时0.902秒）。
50%待验证使用Strands的BedrockModel接入Bedrock只需少量代码，而SageMaker需要create-model、create-endpoint-config、create-endpoint三次API调用，且实测端点部署到InService耗时约9分钟。
50%待验证SageMaker和Vertex AI等云平台托管服务功能强大，但学习曲线和成本对个人开发者不友好
50%待验证AI Agent主流部署路径包括本地部署开源模型、AWS云端自建部署、托管API服务三种方案
50%待验证SageMaker更适合已进入规模化训练/推理、需要托管端点与模型版本管理的阶段，在MVP阶段引入会带来不必要的复杂度
50%