以下是您要求的英文文章的中文翻译，已按照保留原文结构、技术术语不翻译、代码块保持原样等要求处理。
从 Hugging Face 到 Amazon SageMaker Studio，一键直达
今天，我们激动地宣布 Hugging Face 与 Amazon SageMaker AI 之间的一项深度链接集成。开发者现在只需一次选择，即可从模型发现直接进入 SageMaker Studio 进行动手实验。无论你是从 Amazon SageMaker JumpStart 微调基础模型（FM），还是将其部署到 Amazon SageMaker Inference 端点，现在都可以直接进入相关的 SageMaker Studio 工作流。你选择的模型已预加载，环境已完全配置好，随时可用。
此前，在 Hugging Face 上发现模型后，要开始在 SageMaker Studio 上工作，需要经过多个步骤：在 AWS 控制台中打开 Amazon SageMaker AI、创建域、配置 IAM 权限，有时还需要申请 GPU 配额。对于希望快速迭代的开发者来说，这种摩擦拖慢了从灵感产生到实验验证的进程。而此次集成则提供了一条从模型发现到企业部署的更直接路径。
“在 Arcee，我们构建开放模型，以便开发者和企业能够真正拥有他们运行的内容：检查权重、在自己的数据上进行后训练，并按自己的方式部署。这次集成将这一承诺推向了最后一步。从 Hugging Face 上的开放模型一键直达 SageMaker Studio，然后在自己的 AWS 环境中进行微调或部署，无需任何额外配置，这正是开放模型一直缺失的体验。你拥有的开放权重，运行在你控制的云中。这正是我们客户一直要求的组合。” —— Mark McQuade，Arcee AI 创始人兼 CEO
随着一键式 Studio 着陆体验的推出，在支持的 Hugging Face 模型页面上选择“在 SageMaker AI 上自定义”或“在 SageMaker AI 上部署”，将直接带你进入控制台。SageMaker AI 随后会在几秒钟内自动配置一个新域，并预置好权限，同时携带模型上下文。
新特性
本次发布引入了三项能力，缩短了从 Hugging Face 模型到可用的 SageMaker Studio 工作流的路径。
从 Hugging Face 到 SageMaker Studio 的深度链接
当你在 Hugging Face 上浏览模型时，现在会在支持的模型旁边看到直接映射到 SageMaker Studio 工作流的操作按钮：
- 在 SageMaker AI 上自定义：打开 Studio 中的“模型自定义”页面，所选模型已预加载，随时可进行微调。
- 在 SageMaker AI 上部署：打开 Studio 中的“部署”页面，模型已预配置好，可用于端点部署。
每个入口点都保留了上下文，这意味着你进入 Studio 后无需再次搜索模型。
预配置权限
通过此流程创建的新 Studio 环境已预先配置好 SageMaker AI 全套能力的权限，包括模型自定义、训练作业、笔记本实验和端点部署。系统会为你创建并附加一个新的托管策略 AmazonSageMakerModelCustomizationCoreAccess。该策略提供了使用监督微调（SFT）、直接偏好优化（DPO）、可验证奖励的强化学习（RLVR）和来自 AI 反馈的强化学习（RLAIF）进行无服务器模型自定义作业的权限，并支持部署到 SageMaker AI 或 Amazon Bedrock 端点。这消除了在开始实验前手动创建和配置 AWS Identity and Access Management（IAM）角色和策略的需要。对于现有的 Studio 环境，带有直接链接到文档的可操作消息会指导你添加这些权限。
GPU 配额可见性
在选择用于部署或训练的实例类型时，Studio UI 现在会直接在实例选择列表中显示配额可用性。你可以立即看到哪些 GPU 实例类型（G5、G6）在你账户的当前限制下可用。你无需再单独导航到 Service Quotas。如果你仍然需要请求增加限额，你会被直接重定向到相应实例类型的 Service Quotas 页面。
操作指南：从 Hugging Face 到 SageMaker Studio 的深度链接
让我们一步步体验从 Hugging Face 开始自定义或部署模型的过程。
步骤 1：发现并选择
在 Hugging Face 模型页面上，点击“Deploy”并选择“Amazon SageMaker AI”。如果模型受支持，你将看到两个按钮：“Deploy on SageMaker AI”和“Customize on SageMaker AI”。然后，针对支持的模型选择“Customize on SageMaker AI”。
步骤 2：登录
系统会提示你使用现有凭证登录 AWS。如果你已有活跃的控制台会话，此步骤将自动跳过。更多信息，请参阅 Sign in to the AWS Management Console。
步骤 3：进入 Studio
你将直接进入 SageMaker Studio 内的“模型自定义”页面，并且你的模型已被预先选中。接下来，配置你的微调参数，例如训练数据、超参数和实例类型，然后提交自定义作业。或者，选择“Deploy on SageMaker AI”会打开 Studio 中的端点部署页面，模型已预配置好。选择你的实例类型（包含配额可见性），查看设置，然后部署。
步骤 4：测试你的端点
部署端点后，直接测试推理。
注意：原文末尾的“请输出翻译：”以及“test inference directly f”似乎不完整，翻译时已按原文处理。如果后续有补充内容，可以继续提供。