FinInsights 在 ml.g5.xlarge 實例上部署了一個 JumpStart 基礎模型端點，用於低延遲的金融文本生成。在成功試點後，他們需要將持續吞吐量提高 3 倍，並保持相似的延遲尾部行為。為了滿足此要求，對 SageMaker JumpStart 端點進行最直接且受支援的更改是什麼？

正確答案是更新 SageMaker 端點配置以使用更大的 GPU 實例類型或增加實例數量並啟用自動擴展。這是最直接且受支援的方法，因為它直接解決了增加吞吐量的需求，同時透過更大的實例或多個實例來維持低延遲。重新部署模型是必要的，因為端點配置已更改。 其他選項不正確： 創建新的 SageMaker HyperParameterTuningJob 不會直接增加端點的吞吐量，它主要用於模型訓練優化，而不是端點擴展。 將 Elastic Inference 加速器連接到現有端點通常用於降低推理成本，而不是顯著提高吞吐量，特別是在需要 3 倍吞吐量增加的情況下。 將端點切換到 SageMaker Serverless Inference 可能會增加吞吐量，但它通常會引入更高的延遲變動，這與保持「相似的延遲尾部行為」的要求相悖。