AWS: SageMaker Fine-Tuning FLOPs Meter 自动跟踪欧盟 AI 法案合规阈值
Fine-Tuning FLOPs Meter 工具包是 AWS SageMaker AI 的新扩展，于 2026 年 5 月 12 日发布，在 LLM 微调过程中自动跟踪欧盟 AI 法案的计算阈值（3.3×10²² FLOPs；系统性风险阈值 3.3×10²⁴）。通过在 recipe YAML 中设置 compute_flops=true 标志即可启用，并自动在 S3 和 DynamoDB 中生成审计文档。
本文由人工智能基于一手来源生成。
Amazon Web Services 于 2026 年 5 月 12 日发布了 Fine-Tuning FLOPs Meter，这是 Amazon SageMaker AI 的开源工具包，可在大型语言模型微调过程中自动跟踪欧盟 AI 法案的计算阈值。该工具通过 recipe YAML 中的单个配置标志激活，并记录审计文档所需的所有指标。
欧盟 AI 法案适用哪些阈值？
工具包通过 determine_compliance_threshold() 函数实现三个阈值。当预训练计算量未知或小于 10²³ FLOPs 时，应用默认阈值 3.3×10²² FLOPs。当预训练计算量经记录超过 10²³ FLOPs 时，激活实际预训练计算量 30% 的相对阈值。对于预训练计算量大于 10²⁵ FLOPs 的模型，应用系统性风险阈值 3.3×10²⁴ FLOPs——这是法案中义务最高的类别。
超过阈值对组织意味着什么？
超过适用阈值的组织将从「下游用户」状态转变为「GPAI 模型提供商」状态。新分类带来额外义务：详细披露架构和训练过程、公开所用数据来源列表，以及证明符合欧盟版权法规。AWS 强调，状态变更是微调组织可能经历的最重大合规转变。
如何将 Meter 集成到 SageMaker 中？
激活只需一个 YAML 标志：在 SageMaker 训练配方中设置 compute_flops: true。工具包作为标准 Hugging Face TrainerCallback 运行，这意味着它可以集成到现有 SageMaker Training 流水线中，无需修改架构。结果自动上传至 Amazon S3，并存储在 DynamoDB 中作为永久合规记录。
输出文件 flops_meter.json 包含基于架构和基于硬件的 FLOPs 计算结果、应用的阈值类型与合规状态、模型参数、训练时长、GPU 规格以及用于审计追踪链接的训练任务标识符。AWS 建议将 Flops_architecture 作为主要合规指标，因为它「准确反映了您的实际训练配置」。
该工具是 AWS 将监管义务从咨询建议层面提升至云平台层面这一更广泛决策的组成部分——将合规从手动项目转变为功能开关。
常见问题
- 此工具包跟踪哪些欧盟 AI 法案阈值？
- 当预训练计算量未知或小于 10²³ 时，工具包自动应用默认阈值 3.3×10²²；当预训练计算量已记录且超过 10²³ 时，应用预训练计算量 30% 的相对阈值；对于预训练计算量大于 10²⁵ 的模型，应用系统性风险阈值 3.3×10²⁴——即法案中义务最高的类别。
- 超过阈值对组织意味着什么？
- 超过适用阈值的组织将从「下游用户」状态转变为「GPAI 模型提供商」；新分类带来额外义务，包括详细披露架构和训练过程、公开数据来源列表，以及证明符合欧盟版权法规。