Entorno de GPU sin servidor versión 5 (versión preliminar)

En esta página se describe la información del entorno del sistema para el entorno de GPU sin servidor versión 5. Esta oferta de computación forma parte del entorno de ejecución de IA, que está diseñado para cargas de trabajo modernas de aprendizaje profundo e inteligencia artificial.

El entorno de GPU sin servidor 5 se basa en el entorno sin servidor 5 (CPU). Consulte las novedades del entorno sin servidor 5 (CPU). Incluye el siguiente entorno:

• Entorno base predeterminado: un entorno mínimo con la API de cliente estable.

Para garantizar la compatibilidad con la aplicación, las cargas de trabajo de GPU sin servidor usan una API con versiones, conocida como versión del entorno, que sigue siendo compatible con versiones más recientes del servidor.

Puede seleccionar un entorno base que incluya esta versión del entorno mediante el panel lateral Entorno en los cuadernos sin servidor. Consulte Interactive (Notebooks) (Interactivo [Cuadernos]).

Nuevas características y mejoras

En la versión 5, Databricks proporciona un entorno mínimo que solo admite la API de GPU sin servidor, las dependencias de Databricks y MLflow. Los usuarios pueden personalizar el entorno a sus necesidades. El entorno base predeterminado de la versión 5 no incluye determinados paquetes presentes en el entorno de CPU, con el fin de proporcionar un entorno de GPU funcional mínimo. Los usuarios que quieran un entorno completo con bibliotecas de INTELIGENCIA ARTIFICIAL completas deben usar el entorno de inteligencia artificial de Databricks.

Actualizaciones de API

24 de abril de 2026

API de Python gpu sin servidor actualizada a 0.5.16

La API 0.5.16 sin servidor de GPU Python incluye las siguientes actualizaciones de API:

• Nuevas características:
  • Se ha agregado UCVolumeDataset, un Torch IterableDataset que transmite archivos desde un volumen montado en FUSE del Unity Catalog. Las listas de archivos se particionan automáticamente entre los rangos distribuidos y los procesos de DataLoader, de modo que cada (rank, worker) par recibe un segmento no superpuesto.
  • La API de GPU sin servidor ahora admite el tipo de acelerador 1xH100 para cargas de trabajo únicas de H100.
  • Se ha reducido el ruido del registro de PySpark y Py4J durante la ejecución local. El mensaje del directorio de registro se registra ahora en el nivel de depuración en vez de imprimirse.

14 de abril de 2026

API de Python de GPU sin servidor actualizada a 0.5.15

La API 0.5.15 sin servidor de GPU Python incluye las siguientes actualizaciones de API:

• Nuevas características:
  • Se ha agregado la propagación de registros a MLflow para las ejecuciones locales de la API de GPU sin servidor. Los registros de entrenamiento de las ejecuciones locales ahora se cargan automáticamente en MLflow.
• Correcciones de errores:
  • Cuando PyTorch no está instalado, el mensaje de error ahora indica correctamente que el entorno base Standard v5 no incluye la biblioteca torch.
• Seguridad:
  • Anclar todas las versiones de dependencia Python a versiones exactas para evitar ataques de cadena de suministro de versiones de paquetes malintencionadas recién publicadas.

17 de marzo de 2026

API de Python de GPU sin servidor actualizada a 0.5.14

La API 0.5.14 sin servidor de GPU Python incluye las siguientes actualizaciones de API:

• Correcciones de errores:
  • Se ha corregido un problema por el que la API de GPU sin servidor produjo un error en los planos de control sin MAPI disponible. La API ahora recurre sin problemas a la computación a petición cuando MAPI no está disponible.

2 de marzo de 2026

API de Python de GPU sin servidor actualizada a 0.5.13

La API 0.5.13 de GPU sin servidor Python incluye las siguientes actualizaciones de API:

• Correcciones de errores:
  • Se corrigió la interpretación del nombre del dispositivo GPU A10 en modo local de Azure. La API ahora controla formatos específicos de Azure, como "A10-24Q".
  • Se ha corregido un problema por el que la ejecución activa de MLflow no se cerraba después de que se completara la ejecución local.
  • Se ha corregido la compatibilidad de streaming de registros de MLflow con MLflow 3.x. Un cambio en el comportamiento de la ruta de acceso de descarga de artefactos en MLflow 3.x causó que se interrumpiera la transmisión de registros. El streaming de registros ahora funciona correctamente con MLflow 2.x y 3.x.
  • Se ha corregido un problema que provocaba que las sesiones de entrenamiento se bloquearan. La función de sincronización de estado de MLflow de rango cruzado introducida en una versión anterior ha sido revertida.

Paquetes no incluidos en el entorno base

Los siguientes paquetes no se incluyen en el entorno base, pero permanecen disponibles en el entorno de CPU:

• scipy
• seaborn
• scikit-learn

En función de los comentarios de los clientes que solicitan control sobre el control de versiones de PyTorch, torch no se incluye en el entorno base de la versión 5. Esto le permite instalar la versión que mejor se adapte a la carga de trabajo. Para usar una versión probada por Databricks, ejecute %pip install torch==2.9.0 en una celda del cuaderno o instale torch==2.9.0 mediante la sección Dependencias del panel lateral de Entorno.

Entorno del sistema

• sistema operativo: Ubuntu 24.04.2 LTS
• Python: 3.12.3
• Databricks Connect: 18.0.0
• Kit de herramientas de NVIDIA CUDA: 12.9

Bibliotecas de Python instaladas

Entorno base predeterminado

Para reproducir el entorno de GPU sin servidor 5 en el entorno virtual local de Python, descargue el archivo requirements-env-gpu-5.txt y ejecute pip install -r requirements-env-gpu-5.txt. Este comando instala todas las bibliotecas de código abierto desde el entorno sin servidor 5.