Amazon SageMaker JumpStart : bilan des neuf premiers mois de 2026
Amazon SageMaker JumpStart, le hub de machine learning intégré à Amazon SageMaker AI, a intégré plus de 100 nouveaux modèles entre janvier et septembre 2026, issus de 30 fournisseurs différents. Ce catalogue de modèles, de modèles de solutions et de notebooks d'exemple permet d'évaluer des LLM open source, de déployer un modèle de vision pour la compréhension de documents ou d'affiner un modèle compact sur ses propres données. Alibaba (Qwen) domine avec 29 modèles, couvrant le raisonnement (Qwen 3.8-27B), les architectures mixture-of-experts (Qwen3.5-122B-A10B), les flux agentiques, la génération de code, la reconnaissance vocale, la synthèse vocale, les embeddings et le reranking. NVIDIA suit avec 17 modèles, dont la famille Cosmos3 (Super, Edge, Nano), Nemotron-3-Super-120B, Nemotron3 Ultra et des variantes multimodales. Mistral apporte 7 modèles (Ministral-3 en 3B, 8B et 14B, Voxtral-Mini-4B-Realtime), Google 6 variantes de Gemma 4, IBM 4 modèles Granite, et Cohere 4 modèles dont Command A et plusieurs versions de Rerank. Une trentaine d'autres viennent de MiniMax, Zhipu AI, DeepSeek, Moonshot AI, Allen AI, Microsoft, Meta (Muse Spark), Reflection (Beam), Black Forest Labs, JetBrains, Kakao et d'autres.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de AWS ML Blog. Lire l'article original →
Pour les équipes qui construisent des applications d'IA en production, cette expansion élargit concrètement le choix entre architectures, tailles et capacités sans passer par un travail d'infrastructure. Chaque fiche de modèle détaille l'architecture, les benchmarks et la licence, et le déploiement en un clic vers un endpoint d'inférence temps réel utilise des configurations préréglées selon la priorité visée : coût, latence, débit ou équilibre. Aucune configuration manuelle de conteneur ou d'instance n'est requise. La personnalisation progresse aussi : le fine-tuning est possible depuis la console ou le SDK avec LoRA, SFT, DPO et l'apprentissage par renforcement à récompenses vérifiables (RLVR), avec des options serverless qui allègent la gestion de l'infrastructure. L'ouverture de NVIDIA au-delà des modèles de langage, avec des modèles de fondation du monde pour la génération vidéo, la simulation physique et la planification d'actions, illustre aussi l'élargissement des usages couverts.
Cette montée en puissance s'inscrit dans l'accélération des sorties de modèles ouverts et dans la demande croissante des clients pour la diversité des modèles. AWS affirme sélectionner ses priorités d'intégration là où la demande est forte et où l'enjeu est de faciliter la mise en production, plutôt que de suivre simplement les tendances du secteur. L'accès se fait par la console SageMaker Studio, le SDK Python ou, depuis peu, un lien direct depuis Hugging Face, ce qui rapproche JumpStart de l'écosystème où les modèles ouverts sont d'abord publiés. Face à la concurrence des autres plateformes cloud et des catalogues de modèles, la rapidité d'intégration des nouveautés de Qwen, NVIDIA, Google ou Mistral devient un argument central pour AWS.
Les équipes européennes accèdent via SageMaker JumpStart à des modèles ouverts dont 7 de Mistral, entreprise française, sans gérer d'infrastructure.