AI Runtime környezet 6. verzió

Ez az oldal felsorolja az AI Runtime (szerver nélküli GPU-számítási) 6. verziójú környezet rendszerkörnyezetét és telepített könyvtárait.

Az AI Runtime 6-os környezete a serverless environment 6-ra (CPU) épül. Nézd meg, mi újság a szerver nélküli 6-os környezetben (CPU). A következő környezetet tartalmazza:

Standard környezet: minimális környezet stabil ügyfél API-val.
Databricks AI-környezet: olyan környezet, amely a GPU-k gépi tanulására vonatkozó gyakori futtatókörnyezeti csomagokkal és csomagokkal rendelkezik.

Az alkalmazás kompatibilitásának biztosítása érdekében az AI Runtime munkaterhelései egy verziózott API-t, az úgynevezett környezeti verziót használnak, amely továbbra is kompatibilis az újabb szerververziókkal.

A kiszolgáló nélküli jegyzetfüzetek Környezet oldali paneljén választhatja ki azt az alapkörnyezetet, amely tartalmazza ezt a környezeti verziót. Lásd 1. lépést: Csatolj egy notebookot egy GPU-hoz.

Új funkciók és fejlesztések

A 6. verzióban a CUDA könyvtárakat frissítik NVIDIA CUDA 13-ra, és a hozzá tartozó függőségeket is frissítik, beleértve az MLflow-t és a szerver nélküli GPU Python API-t. A Databricks AI környezetében használt gépi tanulási és AI könyvtárak frissülnek az új CUDA verzióval való kompatibilitás céljából, valamint több újonnan népszerű könyvtár is hozzáadásra került.

CUDA 13 és PyTorch 2.11

Databricks AI környezet

A 6. verzió frissíti a Databricks AI környezetét az NVIDIA CUDA 13 eszköztárra és a runtime stackre. A PyTorch frissült a(z) torch 2.11.0 verzióra (CUDA 13.0-hoz készült, +cu130) a(z) torchvision 0.26.0 használatával, és a mellékelt NVIDIA-könyvtárak (cuBLAS, cuDNN, NCCL, cuFFT, cuSPARSE és a kapcsolódó futásidejű összetevők) a CUDA 13-as buildjeikre frissültek.

Frissített mélytanulási és LLM könyvtárak

Databricks AI környezet

A kulcsfontosságú gépi tanulási könyvtárakat frissítik a Databricks AI környezetében, többek között:

transformers 5.8.1
vllm 0.24.0
ray 2.56.0
langchain 1.3.11
sentence-transformers 5.5.1
openai 2.37.0
scikit-learn 1.7.2
scipy 1.16.3
trl 0.24.0

Databricks AI Runtime SDK

A Databricks AI Runtime SDK (databricks-sdk-air) 0.1.1 része ennek a környezetnek. Ez lecseréli a kivezetett Serverless GPU Python API-t (serverless_gpu0.5.27), amelyet a 6-os verzió még mindig tartalmaz. A szerver nélküli GPU Python API változásairól a környezet 6-os verzió előtt lásd az 5-ös verzió kiadási jegyzeteit.

2026. október 13.

`serverless_gpu` elavult

A serverless_gpu csomag már nem kap új funkciókat. A 6. verziótól kezdve a Databricks AI Runtime SDK (databricks-sdk-air) azt váltja fel, és ekvivalens API-kat, átnevezett argumentumokkal, a databricks.air névtér alatt biztosít. A 6-os verzió mindkét csomagot tartalmazza, de csak az AI Runtime SDK kap frissítéseket. A 6-os verzió az utolsó verzió, amely tartalmazza serverless_gpu. Az 5-ös és annál korábbi verziók nem változtak, és csak a serverless_gpu elemet tartalmazzák. Lásd: Migrálás erről: serverless_gpu.

2026. szeptember 14-én

Serverless GPU Python API frissítés 0.5.25-re

A Serverless GPU Python API 0.5.25 az alábbi API frissítéseket tartalmazza:

Új funkciók:
- A @distributed és @ray_launch használatával végzett helyi futtatások most naplózzák az érvényes falióra szerinti időkorlátot timeout (az alapértelmezett 3 órás korlátot) a dekorátor alkalmazásakor, így a korlát már előre látható. Állítsd timeout=<seconds> be, hogy módosítsd vagy timeout=None kikapcsold.

Databricks AI-környezethez hozzáadott csomagok

A következő figyelemre méltó csomagokat adták fel a Databricks AI környezetéhez a 6. verzióban:

langgraph 1.2.8 (langgraph-checkpoint, langgraph-prebuilt és langgraph-sdk használatával)
langchain-classic 1.0.8
lightning 2.5.5
polars 1.42.1
ultralytics 8.4.90
flash_attn_3 3.0.0 és flash-attn-4 4.0.0b18
flashinfer-cubin 0.6.12
liger_kernel 0.8.1
fastsafetensors 0.3.2
tilelang 0.1.9
xgboost-cu13 3.2.0 (CUDA 13 verzió, a(z) xgboost helyett)
tabfm 1.0.1

Ezen felül a CUDA 13 eszköztár és futási idejű könyvtárak (például cuda-toolkit 13.0.2, nvidia-cudnn-cu13, nvidia-nccl-cu13, , és kapcsolódó nvidia-* csomagok) is hozzáadódnak a CUDA 13 frissítés részeként.

A Databricks AI-környezetből eltávolított csomagok

A következő jelentős csomagokat eltávolították a Databricks AI környezetéből a 6. verzióban:

unsloth (és unsloth_zoo)
xformers
diffusers
bitsandbytes
torchao
litellm
langchain-openai
cupy-cuda12x
mosaicml-streaming
gguf
seaborn
xgboost (helyére lép: xgboost-cu13) és xgboost-ray

A CUDA 12 futási idejű könyvtárakat (a nvidia-*-cu12 csomagokat) eltávolítják a CUDA 13 frissítés részeként. A JupyterLab és a notebookfejlesztő stack (például jupyterlab, , notebook, nbconvertnbclient, nbformat, ) és a Python LSP fejlesztői eszközök (python-lsp-server, python-lsp-jsonrpc, rope, yapf) szintén már nem vannak csomagolva a Databricks AI környezetben.

Az alapkörnyezetben nem szereplő csomagok

A következő csomagok nem szerepelnek az alapkörnyezetben, de a Databricks AI-környezetben továbbra is elérhetők maradnak:

flash_attn
torch
torchvision
scikit-learn
scipy

Az ügyfélvisszajelzések alapján, amelyek a PyTorch verziósítás feletti ellenőrzést kérnek, torch nem szerepel a 6. verzió alap környezetében. Ez lehetővé teszi a számítási feladatnak leginkább megfelelő verzió telepítését. A Databricks által tesztelt verzió használatához futtasson %pip install torch==2.11.0 egy jegyzetfüzetcellában, vagy telepítse torch==2.11.0 a Környezet oldalpanel Függőségek szakaszával.

Rendszerkörnyezet

Operációs rendszer: Ubuntu 24.04 LTS
Python: 3.12.3
Databricks Connect: 19.0.0
NVIDIA CUDA Toolkit: 13.0

Telepített Python-kódtárak

Standard környezet

Note

A requirements fájlok rögzítik ennek a kiadásnak a csomagverzióit. Ezeknek a verzióknak a reprodukciója elavult tanúsítványhatósági csomagokat telepíthet, beleértve a certifi. Mielőtt távoli HTTPS kapcsolatokat létesítene, alkalmazza az eMudhra biztonsági tanácsában felsorolt csomagfrissítéseket. Tartsd engedélyezve a TLS tanúsítvány ellenőrzését, és teszteld a csomagkompatibilitást a frissítések után.

Az AI Runtime 6 környezetének reprodukálásához a helyi Python virtuális környezetben töltse le a requirements-env-gpu-6.txt fájlt, és futtassa a pip install -r requirements-env-gpu-6.txt parancsot. Ez a parancs telepíti az összes könyvtárat a szerver nélküli 6. környezetből.

Library	Változat	Library	Változat	Library	Változat
annotált dokumentum	0.0.4	annotated-types	0.7.0	anyio	4.10.0
arro3-core	0.8.0	asttokens	3.0.0	astunparse	1.6.3
azure-core	1.41.0	azure-identity	1.25.3	azure-mgmt-core	1.6.0
azure-mgmt-web	10.1.0	azure-storage-blob	12.29.0	azure-storage-file-datalake	12.24.0
black	25.9.0	blinker	1.7.0	boto3	1.40.46
botocore	1.40.46	cachetools	5.5.1	tanúsítvány	2025.11.12
cffi	2.0.0	charset-normalizer	3.4.4	click	8.2.1
cloudpickle	3.1.1	comm	0.2.3	contourpy	1.3.3
kriptográfia	46.0.3	cycler	0.11.0	databricks-ügynökök	1.11.0
databricks-connect	19.0.0	databricks-sdk	0.122.0	databricks.szerver_nélküli_GPU	0.5.27
adat osztályok JSON-hoz	0.6.7	dbus-python	1.3.2	debugpy	1.8.16
dekorátor	5.2.1	deltalake	1.5.1	Elavult	1.3.1
distlib	0.4.0	Végrehajtó	2.2.1	fastapi	0.136.3
filelock	3.29.0	fonttools	4.60.1	fsspec	2025.9.0
future	1.0.0	gitdb	4.0.11	GitPython	3.1.45
google-api-core	2.30.3	google-auth	2.53.0	google-cloud-core	2.6.0
google-cloud-storage	3.10.1	google-crc32c	1.8.0	google-resumable-media	2.9.0
googleapis-common-protos	1.71.0	grpcio	1.76.0	grpcio-status	1.76.0
h11	0.16.0	httplib2	0.20.4	idna	3.11
importlib_metadata	8.7.0	iniconfig	2.1.0	ipyflow-core	0.0.227
ipykernel	6.31.0	ipython	9.7.0	ipython_pygments_lexers	1.1.1
ipywidgets	8.1.7	isodate	0.7.2	jedi	0.19.2
Jinja2	3.1.6	jmespath	1.0.1	joblib	1.5.2
jupyter_client	8.6.3	jupyter_core	5.8.1	jupyterlab_widgets	3.0.15
kiwisolver	1.4.8	launchpadlib	1.11.0	lazr.restfulclient	0.14.6
lazr.uri	1.0.6	markdown-it-py	2.2.0	MarkupSafe	3.0.2
mályvacukor	3.26.2	matplotlib	3.10.6	matplotlib-inline	0.2.1
Mccabe	0.7.0	mdurl	0.1.2	mlflow-skinny	3.12.0
mmh3	5.2.1	msal	1.36.0	msal-extensions	1.3.1
msrest	0.7.1	mypy-extensions	1.0.0	nest-asyncio	1.6.0
nodeenv	1.10.0	numpy	2.3.4	nvidia-ml-py	13.590.44
oauthlib	3.2.2	opencv_python_headless	5.0.0.93	opentelemetry-api	1.42.1
opentelemetry-proto	1.42.1	opentelemetry-sdk	1.42.1	opentelemetry-semantic-conventions	0,63b1
packaging	25.0	pandas	2.3.3	parambench-train-comms	0.0.0
parso	0.8.5	pathspec	0.12.1	pexpect	4.9.0
pillow	12.0.0	pip	25,3	platformdirs	4.5.0
pluggy	1.5.0	prompt_toolkit	3.0.52	proto-plus	1.28.0
protobuf	6.33.5	psutil	7.0.0	ptyprocess	0.7.0
pure_eval	0.2.3	py4j	0.10.9.9	pyarrow	21.0.0
pyasn1	0.6.1	pyasn1_modules	0.4.2	pyccolo	0.0.83
pycparser	2.23	pydantic	2.13.3	pydantic_core	2.46.3
pydot	4.0.0	pyflakes	3.2.0	Pygments	2.19.2
PyGObject	3.48.2	pyiceberg	0.11.1	PyJWT	2.10.1
pyparsing	3.2.5	pyright	1.1.409	piroaring	1.1.0
pyspark	4.3.0.dev0+databricks.connect.19.0.0	pytest	8.4.2	python-dateutil	2.9.0.post0
python-dotenv	1.2.2	pytokens	0.2.0	pytz	2025.2
PyYAML	6.0.3	pyzmq	27.1.0	reguláris kifejezés	2025.9.1
requests	2.32.5	requests-oauthlib	2.0.0	rich	14.2.0
s3transfer	0.14.0	setuptools	80.9.0	hat	1.17.0
smmap	5.0.0	sniffio	1.3.0	sqlparse	0.5.5
ssh-import-id	5.11	halmaz adatok	0.6.3	starlette	0.52.1
strictyaml	1.7.3	tenacity	9.1.2	threadpoolctl	3.5.0
tiktoken	0.13.0	tokenize_rt	6.2.0	tomli	2.0.1
tornado	6.5.1	tqdm	4.67.1	jellemzők	5.14.3
gépelés ellenőrzése	0.9.0	gépelés-ellenőrzés	0.4.2	typing_extensions	4.15.0
tzdata	2026.2	unattended-upgrades	0.1	urllib3	2.5.0
uvicorn	0.48.0	virtualenv	20.35.4	wadllib	1.3.6
wcwidth	0.2.13	wheel	0.45.1	akármikor	0.7.3
widgetsnbextension	4.0.14	wrapt	1.17.0	zipp	3.23.0
zstandard	0.25.0

AI-környezet

Az AI-környezet tartalmazza a Standard környezet összes csomagjait, valamint a következő csomagokat. Ez a környezet tartalmazza a PyTorch-t és az átfogó gépi tanulási kódtárakat:

torch 2.11.0
torchvision 0.26.0
flash_attn 2.8.3
catboost 1.2.10
langchain 1.3.11
langgraph 1.2.8
lightgbm 4.6.0
lightning 2.5.5
openai 2.37.0
optuna 4.5.0
polars 1.42.1
pytorch-lightning 2.5.4
ray 2.56.0
scikit-learn 1.7.2
scipy 1.16.3
sentence-transformers 5.5.1
transformers 5.8.1
trl 0.24.0
ultralytics 8.4.90
vllm 0.24.0
xgboost-cu13 3.2.0