AI-translated from English; not yet reviewed by a fluent editor.

# SageMaker ملٹی ٹرن RL: تربیت سے پہلے سرچ ٹیم کو کن باتوں کی تصدیق کرنی چاہیے

> AWS کے مطابق، اس کے Qwen3.6-27B ایجنٹ نے سرچ کے چار میں سے تین الگ رکھے گئے benchmarks پر بہتری دکھائی۔ یہ رہنما آزمائش سے پہلے SageMaker کی ترتیب، اخراجات اور جائزے کی وضاحت کرتا ہے۔

By BIG CHANGE Editorial

Published: 2026-10-04T17:55:25.736Z
Updated: 2026-10-04T17:55:25.736Z
Canonical: https://bigchange.ai/blog/fine-tune-search-agent-sagemaker-multi-turn-rl

![Paired bar chart of AWS-reported held-out nDCG@10 for a Qwen3.6-27B search agent. Base to fine-tuned: WixQA 0.5725 to 0.6781; Wands 0.5762 to 0.6112; FreshStack 0.4112 to 0.4089, a small decline; BrowseComp-Plus 0.5136 to 0.6354.](https://bigchange.ai/api/media/file/aws-mtrl-held-out-ndcg-chart-v1.png)
BIG CHANGE graphic; data: AWS Machine Learning Blog

## بڑی تبدیلی

اپنی [2 اکتوبر کی رہنمائی میں](https://aws.amazon.com/blogs/machine-learning/fine-tune-a-search-agent-with-multi-turn-rl-on-amazon-sagemaker-ai/), AWS نے SageMaker AI میں ملٹی ٹرن ری اِنفورسمنٹ لرننگ (MTRL) کے ذریعے Qwen3.6-27B سرچ ایجنٹ کو fine-tune کرنے کا طریقہ بتایا ہے۔ اوپر دیا گیا چارٹ AWS کے رپورٹ کردہ الگ رکھے گئے ٹیسٹوں کے nDCG@10 اسکور دکھاتا ہے: WixQA، Wands اور BrowseComp-Plus پر اسکور بڑھے جبکہ FreshStack پر معمولی کمی آئی۔ BIG CHANGE نے AWS کے اعداد سے چارٹ بنایا؛ ہم نے ایجنٹ کو آزادانہ طور پر آزمایا یا نتائج دہرائے نہیں۔ یہ تکنیک ٹول استعمال کرنے والے فیصلوں کے سلسلے کے نتیجے کی بنیاد پر ماڈل کو تربیت دیتی ہے۔

کام جمع کرانے سے پہلے مشین لرننگ انجینئر کو تصدیق کرنی چاہیے کہ ماڈل اور خطہ معاون ہیں، ایجنٹ SageMaker کے rollout loop میں حصہ لے سکتا ہے، prompts اور rewards مطلوبہ سرچ کام کی نمائندگی کرتے ہیں، اور علیحدہ جائزہ سیٹ کارکردگی میں کمی ظاہر کر سکتا ہے۔ یہ رہنما AWS کی دستاویزات پر مبنی ہے؛ BIG CHANGE نے AWS کا کام نہیں چلایا اور نہ اس کے APIs کال کیے۔

## تربیتی loop میں MTRL کیا بدلتا ہے

Supervised fine-tuning میں ٹیم کو مطلوبہ رویہ دکھانے والی مثالیں یا trajectories درکار ہوتی ہیں۔ AWS کی MTRL وضاحت میں SageMaker اس کے بجائے ایجنٹ کو prompts بھیجتا ہے؛ کئی مرحلوں میں ایجنٹ policy model اور اس کے ٹولز کال کرتا ہے، پھر مکمل rollout پر reward بتاتا ہے۔ اسی feedback سے ماڈل اپ ڈیٹ ہوتا ہے۔ سرچ میں reward آخری ranking کو اسکور کر سکتا ہے، اس طرح ابتدائی query انتخاب پورے سرچ مرحلے کے تناظر میں بہتر کیے جاتے ہیں۔

جب ٹول کالز پہلے کے نتائج پر منحصر ہوں تو یہ فرق اہم ہے۔ اگر ماڈل پہلی query غلط بنائے، کمزور نتائج دیکھے اور اسے دوبارہ ترتیب دینا پڑے، تو کام کے اختتام پر ملنے والا reward دکھا سکتا ہے کہ مراحل کے سلسلے نے آخرکار متعلقہ دستاویزات تلاش کیں یا نہیں۔ پھر بھی ‘متعلقہ’ کی تعریف اور ٹیم کے سرچ ٹولز کال کرنے والا ایجنٹ بنانا ضروری ہے۔

## پہلے رسائی، ماڈل اور خطہ دیکھیں

2 اکتوبر کی مثال US West (Oregon) خطے میں چلائی گئی، `us-west-2`, اور اس میں Qwen3.6-27B کو fine-tune کیا گیا۔ [SageMaker MTRL کے معاون ماڈلز کی فہرست](https://docs.aws.amazon.com/sagemaker/latest/dg/model-customize-mtrl.html), جسے 4 اکتوبر 2026 کو دیکھا گیا، چار ماڈلز کے چھ ماڈل-خطہ امتزاج دکھاتی ہے: Nova Lite 2.0 اور GPT-OSS-20B، US East (N. Virginia) میں، `us-east-1`, اور US West (Oregon) میں، `us-west-2`؛ Gemma-4-31B-it اور Qwen 3.6 27B صرف Oregon میں معاون ہیں۔ جس خطے میں کام بنانا ہے، وہاں کی تازہ فہرست دیکھیں؛ ماڈل کا فہرست میں ہونا دوسری جگہ دستیابی کی ضمانت نہیں۔

اگر Studio انٹرفیس استعمال ہو تو ٹیم کو AWS اکاؤنٹ اور SageMaker Studio domain بھی چاہیے؛ ڈیٹا سیٹس اور آؤٹ پٹ کے لیے S3 رسائی اور نئے MTRL کام اور runtime کالز کے لیے ترتیب دیے گئے IAM roles بھی درکار ہیں۔ AWS کی شرائط کی دستاویز کے مطابق، کال کرنے والے کو `CreateJob` اور متعلقہ کام کی کارروائیوں کی اجازت، نیز execution role آگے دینے کی اجازت `job.sagemaker.amazonaws.com` کو درکار ہے۔ Execution role کو `AmazonSageMakerJobFullAccess` پالیسی اور اپنی trust policy میں وہ service principal چاہیے۔ ایجنٹ کے runtime role کو `AmazonSageMakerJobRuntimeAccess` درکار ہے؛ AgentCore runtime کو اپنا trust relationship بھی چاہیے۔ Studio کا runtime picker، AgentCore کی فہرست تک رسائی کی اجازت مانگتا ہے۔ AWS کے مطابق، پہلے سے موجود وسیع SageMaker رسائی میں یہ تمام نئی کارروائیاں خودبخود شامل نہیں ہوتیں۔

دستاویزات ایجنٹ چلانے کے دو طریقے بتاتی ہیں۔ Managed hosting کے لیے Bedrock AgentCore پر deploy کریں؛ AWS کے مطابق Strands سے بنے ایجنٹس کے لیے یہ بہترین ہے۔ یا اپنا ایجنٹ host کرکے Lambda forwarder کے ذریعے جوڑیں۔ ایجنٹ rollout prompts لیتا ہے، SageMaker job runtime کے ذریعے policy model کال کرتا ہے، سرچ ٹولز استعمال کرتا ہے، ہر rollout مکمل کرتا ہے اور reward بتاتا ہے۔ AWS SDK decorator اس integration کا بڑا حصہ سنبھالتا ہے؛ custom frameworks براہ راست runtime APIs کال کر سکتے ہیں۔ اگر Lambda function کا نام معمول کے مطابق نہ ہو تو AWS کے مطابق اس کا ARN اجازت کی پالیسی میں واضح طور پر شامل کرنا پڑ سکتا ہے۔ Customer-managed VPC یا KMS key مزید ترتیب مانگتے ہیں۔

## حقیقی سرچ کام کے لیے prompts اور reward تیار کریں

SageMaker کی asset رہنمائی Parquet، JSON Lines، JSON یا CSV قبول کرتی ہے۔ یہ `prompt` نام کا column تلاش کرتی ہے؛ اگر وہ نہ ہو تو پہلا column استعمال کرکے اس کی قدر بغیر تبدیلی ایجنٹ کو دیتی ہے۔ سروس prompt مواد کو parse، validate یا transform نہیں کرتی۔ ٹول استعمال کرنے والی سرچ میں prompt کے اندر گفتگو کے پیغامات، کام کا metadata، reward specification اور ٹول کی ترتیب ایجنٹ کے مطلوبہ format میں ہوسکتی ہے۔ AWS خبردار کرتا ہے کہ prompts بغیر جانچ آگے بھیجے جاتے ہیں، اس لیے حساس ڈیٹا کی حفاظت ٹیم کی ذمہ داری ہے؛ storage اور ایجنٹ تک کے راستے میں encryption یا کوئی مناسب تحفظ شامل کریں۔

Reward وہ مقصد ہے جسے ماڈل بہتر کرنے کی کوشش کرے گا۔ AWS کی مثال آخری بازیافت شدہ دستاویزات پر nDCG@10 استعمال کرتی ہے اور ایجنٹ کے turn یا sampling-token کی حد تک پہنچنے پر -1 reward دیتی ہے۔ درجہ بند retrieval کام کے لیے یہ واضح آغاز ہے، مگر اس سے جائزے کے فیصلے اہم ہو جاتے ہیں: قابلِ اعتماد relevance labels یا اسکور کرنے کا کوئی دوسرا قابلِ دفاع طریقہ درکار ہے۔ یہ بھی دیکھیں کہ reward سطحی ranking بہتری کو ترجیح دے کر جواب کے معیار، latency یا ٹول کی لاگت کو نقصان نہ پہنچائے۔

بلاگ پوسٹ کے مطابق تربیتی مجموعے میں FRAMES، BRIGHT، Enterprise RAG، ESCI، Musique اور MLQA شامل تھے؛ ہر dataset کے تربیتی نمونوں میں سے پانچ فیصد validation کے لیے الگ رکھے گئے۔ الگ رکھے گئے test set میں FreshStack، WixQA، BrowseComp-Plus اور Wands تھے۔ یہ عوامی یا synthetic datasets اس نجی corpus اور query distribution پر جائزے کی جگہ نہیں لیتے جسے ٹیم استعمال کرنا چاہتی ہے۔

## چھوٹا اور جانچنے کے قابل کام جمع کریں

اس [2 اکتوبر کے AWS بلاگ میں](https://aws.amazon.com/blogs/machine-learning/fine-tune-a-search-agent-with-multi-turn-rl-on-amazon-sagemaker-ai/) code snippet کے لیے مختلف SDK import اور argument کے نام ہیں۔ موجودہ [SageMaker training-job حوالہ](https://docs.aws.amazon.com/sagemaker/latest/dg/model-customize-mtrl-job.html) Bedrock AgentCore runtime کے لیے API کی یہ شکل دکھاتا ہے۔ مثال میں AWS دستاویزات کا موجودہ GPT-OSS-20B model identifier استعمال ہوا ہے۔ اپنے مطلوبہ خطے میں دستیاب ماڈل چنیں اور مثال بدلنے سے پہلے موجودہ معاون ماڈلز کی فہرست دیکھیں۔ موجودہ مثال کے لیے MLflow app ARN، role ARN اور EULA قبول کرنا بھی لازم ہے۔

```python
from sagemaker.train.multi_turn_rl_trainer import MultiTurnRLTrainer

trainer = MultiTurnRLTrainer(
    model="openai-reasoning-gpt-oss-20b",
    agent_env="arn:aws:bedrock-agentcore:us-west-2:123456789012:runtime/my-agent-runtime",
    training_dataset="s3://my-bucket/prompts/prompts.parquet",
    mlflow_app_arn="arn:aws:sagemaker:us-west-2:123456789012:mlflow-app/mlflow-app-id",
    s3_output_path="s3://my-bucket/output/",
    role="arn:aws:iam::123456789012:role/SageMakerRole",
    accept_eula=True,
)

trainer.hyperparameters.max_epochs = 1
trainer.hyperparameters.global_batch_size = 32
trainer.hyperparameters.max_steps = 12
job = trainer.train(wait=True)
```

یہ موجودہ AWS دستاویز کی مثال ہے، BIG CHANGE کا آزمایا ہوا command نہیں۔ 2 اکتوبر کے AWS بلاگ میں مختلف `sagemaker.modules.train` import، `model_id`، `agent_endpoint`، `training_dataset_s3_uri` اور `output_s3_uri` arguments ہیں۔ یہ موجودہ job guide سے مختلف ہیں؛ نئی implementation کے لیے موجودہ حوالہ اپنائیں اور اپنے ماحول میں SDK ورژن اور ماڈل کی شرائط دیکھیں۔ ہم نے یہ طے نہیں کیا کہ بلاگ کی مثال SDK کے پرانے ورژن کی ہے یا دستاویزات میں عدم مطابقت ہے۔ Studio UI بھی دستاویزی جمع کرانے کا طریقہ ہے: معاون JumpStart model منتخب کریں، Multi-Turn Reinforcement Learning چنیں، AgentCore runtime یا Lambda forwarder مقرر کریں، تربیتی ڈیٹا دیں اور جمع کریں۔

پہلی بار کام چلاتے وقت ماڈل، خطہ، dataset ورژن، reward، حدود، hyperparameters اور output path درج کریں تاکہ اگلا جائزہ اسی baseline سے موازنہ ہوسکے۔ Customer-managed VPC استعمال کریں تو AWS کی الگ VPC رہنمائی دو Availability Zones میں private subnets، S3 اور CloudWatch Logs کے VPC endpoints، اور حسبِ ضرورت AgentCore یا Lambda endpoint بتاتی ہے؛ MLflow استعمال ہو تو اسے بھی endpoint درکار ہے۔ Execution role کو ENI انتظام کی اجازت چاہیے۔ اختیاری customer-managed KMS طریقے کے لیے کال کرنے والے، execution role اور runtime کی اضافی اجازتیں اور key-policy ترتیب درکار ہے؛ بطورِ طے، غیر فعال ڈیٹا AWS-owned KMS key سے encrypt ہوتا ہے۔ کوئی بھی ترتیب اپنانے سے پہلے VPC اور encryption رہنما پڑھیں۔ جمع کرانے سے پہلے account quotas دیکھیں: AWS بطورِ طے ایک بیک وقت MTRL fine-tuning job اور ایک evaluation job بتاتا ہے؛ دونوں Service Quotas سے بدلے جا سکتے ہیں۔ Job-management API throttling limits تبدیل نہیں کی جاسکتیں۔

## تعیناتی سے پہلے الگ رکھے گئے prompts پر جائزہ لیں

AWS کی evaluation دستاویزات کہتی ہیں کہ evaluation prompts کو تربیت سے باہر رکھیں، وہی prompt format اپنائیں، اہم ٹولز اور ان کے امتزاج شامل کریں، پہلے ناکام ہونے والے معاملات بھی رکھیں اور حساس مواد محفوظ رکھیں۔ SageMaker evaluator کسی prompt set پر candidate چلا کر reward، pass@k اور trajectory metrics دے سکتا ہے۔ دستاویزات fine-tuned model کی جانچ اور اختیاری طور پر اسی comparison pipeline میں base model کی جانچ دکھاتی ہیں۔

تربیت سے پہلے evaluation protocol طے کریں۔ ایک مقررہ، الگ رکھا گیا سیٹ رکھیں جو live agent کو ملنے والی queries، permissions اور دستاویزات کی تبدیلیوں کی نمائندگی کرے۔ Base اور fine-tuned ماڈلز کا موازنہ ایک جیسے ٹولز، حدود اور scoring code سے کریں۔ صرف اوسط retrieval score نہیں بلکہ کام کی ناکامیاں، turns کی تعداد، latency، token استعمال اور وہ صورتیں بھی دیکھیں جن میں متعلقہ دستاویزات اوپری نتائج سے نکل جاتی ہیں۔ AWS کی evaluation job کیسے جمع کرائی جائے یہ دستاویزات بتاتی ہیں؛ وہ ثابت نہیں کرتیں کہ کوئی ایک metric production سرچ کے معیار کو مکمل طور پر ناپتی ہے۔

AWS کی پوسٹ الگ رکھے گئے یہ نتائج دیتی ہے:

| Dataset (سوالات) | Base nDCG@10 | Fine-tuned nDCG@10 | Base ناکامی کی شرح | Fine-tuned ناکامی کی شرح |
| --- | --- | --- | --- | --- |
| WixQA (400) | 0.5725 | 0.6781 | 0.67% | 0.17% |
| Wands (147) | 0.5762 | 0.6112 | 0.00% | 0.00% |
| FreshStack (672) | 0.4112 | 0.4089 | 0.20% | 0.05% |
| BrowseComp-Plus (830) | 0.5136 | 0.6354 | 22.89% | 0.68% |

جدول میں nDCG@10 کے تین اضافے اور FreshStack پر معمولی کمی دکھائی گئی ہے۔ AWS کے مطابق BrowseComp-Plus میں ناکامی کی کم شرح کی وجہ turn یا token حد تک پہنچنے پر penalty ہے۔ بلاگ ان اعداد کے ساتھ confidence intervals یا statistical significance analysis نہیں دیتا۔ یہ بھی بتاتا ہے کہ fine-tuned ماڈل نے WixQA پر اوسطاً 4.5 کے مقابلے 4.3 اور Wands پر 2.9 کے مقابلے 2.2 turns استعمال کیے؛ اس لیے ہر جگہ turns کم نہیں ہوئے۔ اسے فراہم کنندہ کا رپورٹ کردہ تجربہ سمجھیں، نہ کہ آزادانہ تصدیق یا کسی اور corpus میں بہتری کا ثبوت۔

## پورے تجربے کا بجٹ بنائیں

AWS کی MTRL دستاویز تربیت کے تین بلنگ اجزا بتاتی ہے: input کے طور پر process کیے گئے prefill tokens، rollouts میں بنائے گئے sampled tokens، اور training updates۔ قیمتوں کا صفحہ ماڈل کے لحاظ سے شرحیں دیتا ہے؛ انہی شرحوں کے ساتھ rollout کا حجم، sequence lengths، epochs اور runtime لاگت کا اندازہ طے کرتے ہیں۔ مثال کے مضمون میں مجموعی بل نہیں دیا گیا اور دستاویزات کوئی ایک عمومی آزمائشی قیمت نہیں دیتیں۔ منتخب ماڈل اور خطے کی موجودہ شرح دیکھیں اور مقررہ قیمت فرض کرنے کے بجائے متوقع استعمال کی بنیاد پر اندازہ لگائیں۔

اندازے میں متعلقہ اخراجات بھی شامل کریں: training، validation، checkpoints اور output artifacts کے لیے S3 storage اور requests؛ rollout کے دوران AgentCore runtime یا Lambda اور معاون سرچ infrastructure؛ logging اور MLflow؛ الگ رکھے گئے ڈیٹا پر evaluation؛ اور تربیت کے بعد استعمال ہونے والا endpoint یا Bedrock deployment۔ AWS کی پوسٹ خاص طور پر کہتی ہے کہ چلتا ہوا MTRL job روکیں یا حذف کریں، غیر ضروری S3 model artifacts مٹائیں اور evaluation endpoints ہٹائیں تاکہ جاری چارجز سے بچیں۔ Endpoint deployment تربیت سے الگ فیصلہ اور الگ لاگت کا زمرہ ہے۔

## آگے بڑھنے کا فیصلہ کریں

یہ workflow تب زیادہ موزوں ہے جب سرچ کے کام میں کئی باہم منحصر tool calls ہوں اور ٹیم آخری نتیجے کا اسکور بنا سکے۔ آزمائش تبھی فیصلہ کرنے میں مدد دے گی جب model-region جوڑی معاون ہو، agent integration کام کرے، prompt data نمائندہ ہو، reward کام کی عکاسی کرے، الگ رکھے گئے ڈیٹا سے موازنہ ہو اور اندازے میں متعلقہ خدمات کی لاگت بھی شامل ہو۔ AWS کے چار benchmarks میں اچھا نتیجہ طریقہ جانچنے کی وجہ ہے، کسی دوسرے index، query mix یا permission boundary پر وہی اثر فرض کرنے کی نہیں۔

**ذرائع اور مزید مطالعہ**

- [AWS Machine Learning Blog: “Fine-tune a search agent with multi-turn RL on Amazon SageMaker AI” (2 اکتوبر 2026)](https://aws.amazon.com/blogs/machine-learning/fine-tune-a-search-agent-with-multi-turn-rl-on-amazon-sagemaker-ai/) — فراہم کنندہ کی رہنمائی، ترتیب، dataset کے انتخاب اور رپورٹ کردہ جائزے کے نتائج۔
- [Amazon SageMaker AI: Multi-turn reinforcement learning](https://docs.aws.amazon.com/sagemaker/latest/dg/model-customize-mtrl.html) — موجودہ معاون ماڈل اور خطے، workflow کا خلاصہ اور تربیتی بلنگ کے اجزا۔
- [شرائط](https://docs.aws.amazon.com/sagemaker/latest/dg/model-customize-mtrl-prereqs.html), [اپنا ایجنٹ تیار کرنا](https://docs.aws.amazon.com/sagemaker/latest/dg/model-customize-mtrl-agent.html), [VPC کی ترتیب](https://docs.aws.amazon.com/sagemaker/latest/dg/model-customize-mtrl-vpc.html) اور [غیر فعال ڈیٹا کی encryption](https://docs.aws.amazon.com/sagemaker/latest/dg/model-customize-mtrl-encryption-at-rest.html) — اجازتیں، runtime کے انتخاب، integration اور اختیاری نیٹ ورک و encryption ترتیب۔
- [assets بنانا](https://docs.aws.amazon.com/sagemaker/latest/dg/model-customize-mtrl-assets.html), [training job جمع کرنا](https://docs.aws.amazon.com/sagemaker/latest/dg/model-customize-mtrl-job.html), [جائزہ](https://docs.aws.amazon.com/sagemaker/latest/dg/model-customize-mtrl-evaluation.html), [hyperparameters](https://docs.aws.amazon.com/sagemaker/latest/dg/model-customize-mtrl-hyperparams.html) اور [quotas](https://docs.aws.amazon.com/sagemaker/latest/dg/model-customize-mtrl-quotas.html) — implementation کے موجودہ حوالہ جات۔
- [SageMaker AI کی قیمتیں](https://aws.amazon.com/sagemaker/ai/pricing/) — model customization کی موجودہ قیمتوں کی تفصیل؛ شرحیں ماڈل اور خطے کے مطابق بدلتی ہیں۔

*رپورٹنگ نوٹ: صرف دستاویزات کا جائزہ لیا گیا۔ BIG CHANGE نے AWS اکاؤنٹ استعمال نہیں کیا، SageMaker job جمع یا معائنہ نہیں کیا، AWS APIs کال نہیں کیں اور رپورٹ کردہ metrics کو آزادانہ طور پر دوبارہ پیدا نہیں کیا۔ implementation guide اور تجربے کے نتائج AWS نے فراہم کیے ہیں۔*

## Sources

- [AWS Machine Learning Blog: Fine-tune a search agent with multi-turn RL on Amazon SageMaker AI (2 اکتوبر 2026)](https://aws.amazon.com/blogs/machine-learning/fine-tune-a-search-agent-with-multi-turn-rl-on-amazon-sagemaker-ai/) — AWS کی implementation رہنمائی، dataset کے انتخاب اور فراہم کنندہ کے رپورٹ کردہ holdout جائزے۔
- [Amazon SageMaker AI: Multi-turn reinforcement learning](https://docs.aws.amazon.com/sagemaker/latest/dg/model-customize-mtrl.html) — موجودہ ماڈل اور خطے کے امتزاج، workflow کا جائزہ اور تربیتی بلنگ کے اجزا۔
- [Amazon SageMaker AI MTRL کی شرائط اور ایجنٹ کی ترتیب](https://docs.aws.amazon.com/sagemaker/latest/dg/model-customize-mtrl-prereqs.html) — درکار اجازتیں، runtime کے انتخاب، agent integration اور اختیاری نیٹ ورک و encryption ترتیب۔
- [Amazon SageMaker AI MTRL تربیت اور جائزے کی دستاویزات](https://docs.aws.amazon.com/sagemaker/latest/dg/model-customize-mtrl-assets.html) — موجودہ input data اور workflow؛ مضمون training job اور evaluation کے حوالوں سے بھی منسلک ہے۔
- [Amazon SageMaker AI MTRL training job جمع کرانا](https://docs.aws.amazon.com/sagemaker/latest/dg/model-customize-mtrl-job.html) — موجودہ Python SDK import، argument نام، AgentCore مثال اور Studio کے ذریعے جمع کرانے کے مراحل؛ 4 اکتوبر 2026 کو دیکھا گیا۔
- [Amazon SageMaker AI کی قیمتیں](https://aws.amazon.com/sagemaker/ai/pricing/) — موجودہ ماڈل کے لحاظ سے قیمت؛ شرحیں ماڈل اور خطے کے مطابق بدلتی ہیں۔