Qwen3-8B、SageMakerで0.6941

このウォークスルーは、よくあるカタログの課題を軸にしている。商品データは名称・説明・カテゴリパスが不揃いなまま多数のソースから届き、検索・レコメンド・ナビゲーションはいずれも一貫したタグに依存する。数千のSKUに手作業でタグを付けるのは遅く、一貫性の維持も難しい。AWSの主張は、分類体系が安定し出力をプログラムで採点できるなら、汎用フロンティアモデルより小規模なオープンウェイトモデルの方が適する場合があるというものだ。ワークフローに不要な広範な能力にリクエストごとにコストを払わずに済むからである。

この例では作業を3段階に分ける。データ準備はSageMaker Processingジョブとして実行し、サーバーレスカスタマイズ、そして推論と続く。Amazon Sales DatasetをJSONLに変換し、SageMaker AI Registryに登録し、教師ありファインチューニングでQwen3-8Bに9カテゴリのスキーマを教える。その後GRPOによるRLVRがそのSFTモデルパッケージから継続し、再現率・適合率・精度・マッチ品質・フォーマットの重みから成る決定論的報酬で候補タグセットを採点する一方、KL正則化がSFT参照モデルからの逸脱を抑える。

最も具体的なのは評価部分だ。タスク適応の大半はSFTが担い、GRPOはより狭いトレードオフを行う。わずかな適合率の低下を受け入れて再現率とやや良好な総合スコアを得る。著者らは、これらの指標はタグ付け品質を測るものでビジネス転換率ではないと明言し、本番への影響はカタログ固有の指標で検証すべきとしている。したがって結果は、特定のカタログでどちらの誤りが高くつくか、そしてチームがその選好に合わせて報酬の重みを調整する意思があるかどうかにかかっている。