我们很高兴地宣布 MLflow 1.24.0 已发布！

MLflow 1.24.0 包含几项重大功能和改进

功能

• [Tracking] 通过 MLflow 服务器支持上传、下载和列出工件，使用 mlflow server --serve-artifacts (#5320, @BenWilson2, @harupy)
• [Tracking] 为 mlflow.autolog() 添加 registered_model_name 参数，以便在自动记录期间自动注册模型 (#5395, @WeichenXu123)
• [UI] 改进并重构了 Compare Runs 页面。新增功能包括“仅显示差异”切换按钮和可滚动表格 (#5306, @WeichenXu123)
• [Models] 为 pmdarima 模型引入 mlflow.pmdarima flavor (#5373, @BenWilson2)
• [Models] 加载 MLflow 模型时，如果检测到当前环境与模型的依赖项之间存在不匹配，则打印警告 (#5368, @WeichenXu123)
• [Models] 支持使用 mlflow.evaluate() 在模型评估期间计算自定义标量指标 (#5389, @MarkYHZhang)
• [Scoring] 添加对通过 MLflow Deployments API <https://mlflow.org.cn/docs/latest/models.html#deployment-to-custom-targets>_ 部署和评估 SageMaker 模型的支持 (#4971, #5396, @jamestran201)

错误修复和文档更新

• [Tracking / UI] 修复在使用 --serve-artifacts 模式运行 MLflow 服务器时发生的工件列表显示和下载失败 (#5409, @dbczumar)
• [Tracking] 在使用 --serve-artifacts 模式向 MLflow 服务器发出工件请求时，支持基于环境变量的身份验证 (#5370, @TimNooren)
• [Tracking] 修复在使用 --serve-artifacts 模式向 MLflow 服务器发出工件请求时，主机名和路径解析中的错误 (#5384, #5385, @mert-kirpici)
• [Tracking] 修复在未使用 matplotlib.figure 导入时使用 mlflow.log_figure() 时发生的导入错误 (#5406, @WeichenXu123)
• [Tracking] 在自动记录期间正确记录包含 @ 符号的 XGBoost 指标 (#5403, @maxfriedrich)
• [Tracking] 修复在搜索 Runs 时发生的 SQL Server 数据库错误 (#5382, @dianacarvalho1)
• [Tracking] 从 HDFS 下载工件时，将其存储在用户指定的目录中 (#5210, @DimaClaudiu)
• [Tracking / Model Registry] 提高大型工件和模型下载的性能 (#5359, @mehtayogita)
• [Models] 修复 fast.ai PyFunc 在模型输出为 2D 时推理行为 (#5411, @santiagxf)
• [Models] 当调用 mlflow.spark.log_model() 时，将 Spark 模型信息记录到活动 run 中 (#5355, @szczeles)
• [Models] 使用 mlflow.pyfunc.load_model() 加载 ONNX 模型时，恢复 onnxruntime 执行提供程序 (#5317, @ecm200)
• [Projects] 使用 Projects 和 Docker 时，增加 Docker 镜像推送超时时间 (#5363, @zanitete)
• [Python] 修复了一个阻止用户启用 DEBUG 级别 Python 日志输出的错误 (#5362, @dbczumar)
• [Docs] 添加了一个开发人员指南，解释如何为 mlflow.evaluate() 构建自定义插件 (#5333, @WeichenXu123)

有关更改的完整列表，请参阅发行版更改日志，并查看mlflow.org上的最新文档。