Exowatt 用 SageMaker 无服务器模型定制，微调模型准确率超越前沿模型、成本低至 49 倍

Exowatt 为 AI 数据中心等能源密集型场景构建模块化可调度太阳能系统，其 P3 产品通过光学透镜采集太阳能、以长时热电池储热并按需发电，直接部署在电表后端，绕开多年电网互联排队。随着现场机组从测试台走向数千台部署，运维告警量激增，人工无法实时监控每个站点，Exowatt 需要能在边缘自主处理告警的 AI 智能体。 前沿模型在此不适用：告警分诊依赖 Exowatt 自有硬件与运行逻辑，属于狭窄专有任务；许多站点网络受限甚至无网，无法依赖云端调用；数千站点持续决策的成本也无法承受。Exowatt 因此采用 Amazon SageMaker AI 无服务器模型定制，用同一套流水线产出边缘与云端两个部署目标的微调模型。 流水线由七项 AWS 服务组成，无需管理实例、集群或端点：S3 存放数据与模型产物，SageMaker 无服务器微调基于 Public Hub 配方运行每次训练，无服务器评估每次候选模型评分 2,000 条答案，Model Registry 登记每次微调及指标，Bedrock Custom Model Import 托管微调后的 Qwen3-14B，Bedrock 上的 Qwen3-VL-235B 与 Claude Sonnet 4.6 负责训练数据改写与前沿模型基准测试，Lambda 与 EventBridge 承担评分与定时保活调用。 边缘告警分诊使用 Qwen3-1.7B。团队先用提示词加护栏尝试 Qwen3-8B，macro-F1 停在 0.735 未达目标；13 个微调 Qwen3-8B 候选跨 12 个数据集版本也未能超过提示版 8B 基线。最终微调 Qwen3-1.7B 以约五分之一参数量胜出。训练集为 2,522 条样本，由 684 条经核验的站点场景决策加 1,838 条认证改写构成，改写由 Bedrock 上的 Qwen3-235B 生成，成本约 $3.72，2,218 条候选中 1,838 条通过确定性校验。训练在 SageMaker 无服务器微调上约 32 分钟完成，花费约 $20–$25；模型量化为 8 位后约 1.71 GiB，在站点现有 CPU 服务器的 6 GiB llama.cpp pod 中离线运行，也可跑在 t3.2xlarge 上。320 条测试用例上 macro-F1 达 0.911，超过所有前沿基线。 云端能源市场分析使用 Qwen3-14B，读取约 90 行、覆盖六小时的实时价格、日前预测与电网通知，约四秒返回五类市场事件之一，每条结论绑定具体数据行。训练数据来自 ERCOT 五年历史约 1.63 亿行、12 张表，规则标注为 25,000 条样本，再用 Bedrock 上的 Claude Sonnet 4.6 改写扩至 86,281 条。单轮 LoRA（rank 16、alpha 32）在无服务器微调上约 8.5 小时完成，最多四任务并行；从初始方案到冠军模型上线 Cloud EMS 共六天、23 个任务、约 155 小时托管训练。每条答案三次改写将 macro-F1 从 0.950 提升至 0.975，基座模型仅 0.415。合并检查点导入 Bedrock Custom Model Import 约 14 分钟，无闲置成本，仅激活时按 $6.86/小时计费。2,000 条测试用例上 macro-F1 为 0.975，同样超过前沿基线。Exowatt 表示，两个模型只是流水线的首批产出，更持久的成果是从原始运维数据到认证训练集、微调模型与可评估部署产物的可重复路径，耗时从数月缩短到数天。