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PythonModel的predict函数中的类型提示来定义模型签名，并对其进行输入数据负载验证。( #14182, #14168, #14130, #14100, #14099, @serena-ruan)

• 🧠 Bedrock / Groq 跟踪支持：MLflow Tracing 现在为Amazon Bedrock 和 Groq LLMs 提供了一行式自动跟踪体验。只需在代码中添加 mlflow.bedrock.tracing 或 mlflow.groq.tracing 调用，即可跟踪模型内的 LLM 调用。( #14018, @B-Step62, #14006, @anumita0203)

• 🗒️ Jupyter Notebook 内联跟踪渲染：MLflow 现在支持在运行模型的 Notebook 中渲染跟踪 UI。这消除了在 Notebook 和浏览器之间频繁切换的需要，从而提供了无缝的本地模型调试体验。( #13955, @daniellok-db)

• ⚡️使用 uv 包管理器更快地进行模型验证：MLflow 已采用 uv，这是一个新的基于 Rust 的超快速 Python 包管理器。此版本在 mlflow.models.predict API 中增加了对新包管理器的支持，从而实现了更快的模型环境验证。敬请关注更多更新！( #13824, @serena-ruan)

• 🖥️ 跟踪 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

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

有关更改的全面列表，请参阅发布变更日志，并查看 mlflow.org 上的最新文档。