MLflow 2.20.0

主要新特性

• 💡基于类型提示的模型签名：以最 Pythonic 的方式定义模型的签名。MLflow 现在支持根据您的 PythonModel 中 predict 函数的类型提示定义模型签名，并根据其验证输入数据负载。(#14182, #14168, #14130, #14100, #14099, @serena-ruan)

• 🧠 支持 Bedrock / Groq 跟踪：MLflow 跟踪现在为 Amazon Bedrock 和 Groq LLM 提供了单行自动跟踪体验。只需在代码中添加 mlflow.bedrock.tracing 或 mlflow.groq.tracing 调用，即可在模型内跟踪 LLM 调用。(#14018, @B-Step62, #14006, @anumita0203)

• 🗒️ 在 Jupyter Notebook 中内联渲染跟踪：MLflow 现在支持在您运行模型的 Notebook 内渲染跟踪 UI。这消除了在 Notebook 和浏览器之间频繁切换的需要，创建了无缝的本地模型调试体验。(#13955, @daniellok-db)

• ⚡️使用 uv 包管理器加快模型验证：MLflow 已采用 uv，这是一种新的基于 Rust 的超快速 Python 包管理器。此版本在 mlflow.models.predict API 中添加了对新包管理器的支持，从而实现更快的模型环境验证。敬请期待更多更新！(#13824, @serena-ruan)

• 🖥️ Trace UI 中的新聊天面板：MLflow 跟踪 UI 现在为 LLM 调用显示一个统一的 chat 面板。此更新允许您在跨 LLM 提供商的丰富且一致的 UI 中查看聊天消息和函数调用，并检查原始输入和输出负载。(#14211, @TomuHirata)

其他特性

• 引入 ChatAgent 基类用于定义自定义 Python 代理 (#13797, @bbqiu)
• 在 DSPy 跟踪中支持工具调用 (#14196, @B-Step62)
• 对 Spark UDF 推理的请求内本地评分服务器应用了超时覆盖 (#14202, @BenWilson2)
• 支持推理参数的字典类型 (#14091, @serena-ruan)
• 使调用 PythonModel 实例时的 context 参数可选 (#14059, @serena-ruan)
• 设置 ChatModel 的默认任务 (#14068, @stevenchen-db)

有关完整的更改列表，请参阅版本更改日志，并在mlflow.org上查看最新文档。