AWS为模块化机器学习服务SageMaker加入托管竞价型训练（Managed Spot Training）功能，其使用Amazon EC2竞价型执行实例，可以让用户在SageMaker的机器学习模型训练成本，下降多达90％。
开发人员可以使用AWS SageMaker构建、训练和部署任意规模的模型，除了选用自定义或是内置的算法外，甚至也能在AWS Marketplace找到适用的算法训练模型，并简单地将实验规模的机器学习模型，扩展至正式生产规模，开发者通过选择需要的EC2执行实例类型以及数量，配置工作负载需要的计算资源。
竞价型执行实例是AWS云计算中未被使用的执行实例，用户能以比按需型执行实例还低的价格，使用这些计算资源。而现在开发者也可以在AWS SageMaker中使用竞价型执行实例，来训练机器学习模型，该功能称为托管竞价型训练，
托管竞价型训练和按需训练最大的不一样，就是按需训练的执行实例在训练完成之后才会结束，但是托管竞价型训练使用的执行实例，是AWS云计算上闲置的执行实例，因此当AWS需要这些计算资源的时候，机器学习训练任务会被终止，并由AWS收回这些被占用的执行实例。
不过，由于AWS SageMaker是一个全托管的服务，因此当机器学习训练任务需要中断时，服务会自动处理整个过程，并且在拥有足够计算资源时，重新启动并恢复训练工作。
这个AWS SageMaker托管竞价型训练功能，可以用于所有类型的训练配置，支持所有AWS SageMaker支持的执行实例类型，可用于各种内置算法所训练的模型，或是自定义的模型，而且无论是单执行实例训练、分布式训练或是自动模型调校，也都可以采用托管竞价型训练。
用户要使用托管竞价型训练功能，可以在控制台激活，或是在Amazon SageMaker SDK中，将Estimator构建器train_use_spot_instances配置成true。