这可能是由于以下原因导致的问题：

1. 端点未启动或已停止 - 确保端点处于运行状态并等待部署完成。

2. 端点实例数量太少 - 增加端点数量或提高实例规格以提高吞吐量和性能。

3. 数据格式不正确 - 确保您输入的数据与模型期望的格式一致。

以下是一个示例代码片段，显示如何创建并实时部署一个 PyTorch 模型：

import boto3
import sagemaker

# 为您的模型创建一个 S3 存储桶
sagemaker_session = sagemaker.Session()
bucket = sagemaker_session.default_bucket()

# 定义模型和 endpoint 的配置
from sagemaker.pytorch import PyTorchModel

model = PyTorchModel(entry_point='inference_script.py', # 模型接口文件
                     model_data='s3://my-bucket/model.tar.gz', # 您的模型存储桶
                     role=sagemaker.get_execution_role(),
                     framework_version='1.8.1',
                     py_version='py3')

# 部署并创建一个端点
predictor = model.deploy(initial_instance_count=1, # 端点数量
                          instance_type='ml.t2.medium') # 实例规格

# 向端点发送查询并接收响应
response = predictor.predict({"data": some_data})

# 关闭端点
predictor.delete_endpoint()