需通过peft与dpo组合定制nova模型：先选nova-micro-dpo-funcall配方创建训练任务，确保s3数据为含tool_calls字段的nova格式jsonl；再用createcustommodel部署模型，gpu实例部署后测试tool_choice调用准确性。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
在Amazon Bedrock环境中为Nova模型注入行业专属语义、提升工具调用准确率，需完成从配方选择、数据准备到部署验证的完整链路。该流程不依赖全量微调，而是通过参数高效微调（PEFT）与DPO偏好优化组合实现低成本定制。
选择Nova定制配方并提交训练作业
登录Amazon SageMaker控制台，在“Training jobs”页面点击“Create training job”，在“Algorithm configuration”中下拉选择预置的Nova Micro定制配方（如nova-micro-dpo-funcall）。该配方已固化PEFT层结构、LoRA秩配置及DPO损失函数权重，避免手动调试超参出错。
在“Input data configuration”中指定S3路径，指向已转换为Nova聊天补全格式的JSONL文件（每行含messages字段，且role严格为system/user/assistant三类）。
提交前确认IAM角色具备s3:GetObject和sagemaker:CreateTrainingJob权限，【缺少s3读取权限将导致训练作业卡在“Downloading input data”状态超30分钟自动失败】。
准备DPO训练数据集
使用nvidia/When2Call等结构化函数调用数据集时，必须执行格式转换：原始数据中的function_call字段需嵌入assistant消息的content中，并添加tool_calls数组字段。未按此结构处理的数据会导致训练时解析报错KeyError: 'tool_calls'。
运行Python脚本完成转换：
python convert_to_nova_format.py --input_path s3://my-bucket/raw/when2call.jsonl --output_path s3://my-bucket/processed/nova_dpo_train.jsonl
转换后验证首行JSON是否包含"tool_calls": [{"function": {"name": "...", "arguments": "{...}"}}]结构，缺失则重跑脚本。
部署与验证自定义模型
训练完成后，执行以下三步部署：
① 调用CreateCustomModel API，传入训练作业输出的模型检查点S3路径（形如s3://my-bucket/output/model.tar.gz），指定模型名称为nova-micro-finance-v1；
② 创建推理端点：在SageMaker控制台选择刚注册的自定义模型→“Deploy”→选择ml.g5.2xlarge实例（【必须使用GPU实例，CPU实例会触发CUDA初始化失败错误】）；
③ 发送测试请求：使用InvokeEndpoint API，构造含tool_choice={"type": "function", "function": {"name": "get_stock_price"}}的payload，观察响应中tool_calls字段是否准确返回目标函数名与参数。
