AWS控制台与SageMaker Studio模型注册表推理模型差异及Boto3疑问

问题描述 #

在创建SageMaker终端节点时，标准流程是：创建推理模型 → 在终端节点配置中指定该模型 → 通过配置创建终端节点。但我发现推理模型有两个独立的存储/展示位置：

• AWS控制台（SageMaker服务下的“模型”页面）
• SageMaker Studio的模型注册表

我的疑问如下：

1. 使用Boto3的create_model创建的模型只会显示在AWS控制台的“模型”页面，而create_model_package创建的模型会出现在SageMaker Studio的模型注册表中吗？
2. 这两种方式创建的模型差异仅仅在于是否支持版本控制吗？

官方文档和工作坊只详细讲了Python SDK的用法，希望能得到清晰的解答。

解答 #

问题1：展示位置对应关系 #

是的，两者的展示位置完全符合你的观察：

• 调用Boto3的create_model接口创建的模型，会直接显示在AWS控制台SageMaker服务下的模型页面中。这类模型是已经绑定了推理容器、IAM角色、模型数据等完整配置的可部署实体，能直接用于创建终端节点配置。
• 调用create_model_package创建的是模型包，会被纳入SageMaker模型注册表，在SageMaker Studio中可以直接查看和管理。模型包本身是模型资产的封装（包含模型文件、镜像信息、元数据等），不能直接用于终端节点部署，需要先通过create_model接口指定ModelPackageName参数，基于模型包生成可部署的Model实体后，才能继续终端节点的创建流程。

问题2：差异不止版本控制 #

两者的核心定位和适用场景有明显区别，版本控制只是其中一点：

• create_model：属于直接可部署的推理单元，创建时必须提供完整的推理配置（容器镜像、IAM角色、模型数据路径等），创建完成后即可关联到终端节点配置。它没有版本管理、审批流程等能力，删除后无法恢复，适合快速原型测试、临时部署这类轻量化场景。
• create_model_package：属于模型全生命周期管理载体，除了版本控制，还支持关联模型评估指标、添加描述信息、设置审批状态（待审批/已批准等），适配企业级的模型发布流程——比如模型训练完成后，先打包成模型包存入注册表，经过团队评审、批准后，再基于已批准的模型包生成可部署的Model。此外，模型包还支持跨账号共享，方便多团队协作流转模型资产。

总结来说，create_model是“拿来就能部署的成品”，create_model_package是“用于管理和流转的资产包”，版本控制只是后者众多管理能力中的一项。

内容的提问来源于stack exchange，提问作者ezail