Ambiente de GPU sem servidor versão 5 (versão prévia)

Esta página descreve as informações de ambiente do sistema para o ambiente de GPU sem servidor versão 5. Essa oferta de computação faz parte do AI Runtime, que foi projetado para cargas de trabalho modernas de IA e aprendizado profundo.

O ambiente de GPU 5 sem servidor é criado com base no ambiente sem servidor 5 (CPU). Veja as novidades no ambiente sem servidor 5 (CPU). Ele inclui o seguinte ambiente:

• Ambiente padrão: um ambiente mínimo com API de cliente estável.
• Ambiente de IA do Databricks: um ambiente com pacotes de runtime comuns e pacotes específicos do aprendizado de máquina em GPUs.

Para garantir a compatibilidade com o aplicativo, as cargas de trabalho de GPU sem servidor usam uma API com versão, conhecida como a versão do ambiente, que permanece compatível com versões de servidor mais recentes.

Você pode selecionar um ambiente base que inclua essa versão de ambiente usando o painel lateral Ambiente em seus notebooks sem servidor. Consulte Interativo (Notebooks).

Novos recursos e melhorias

Na versão 5, o Databricks está fornecendo um ambiente mínimo que dá suporte apenas à API de GPU sem servidor, às dependências do Databricks e ao MLflow. Os usuários podem personalizar o ambiente de acordo com suas necessidades. O ambiente Standard na versão 5 não inclui determinados pacotes presentes no ambiente da CPU, a fim de fornecer um ambiente de GPU funcional mínimo. Os usuários que desejam um ambiente completo com bibliotecas de IA abrangentes devem usar o ambiente de IA do Databricks.

Instalações de pacote mais rápidas com %uv pip

7 de maio de 2026

Agora você pode usar o comando mágico %uv pip em notebooks serverless como uma alternativa mais rápida ao %pip para gerenciamento de pacotes do Python. %uv pip é alimentado pelo gerenciador de pacotes uv e compartilha o mesmo ambiente virtual de notebook que %pip. Veja instalações mais rápidas com %uv pip.

Atualizações de API

17 de julho de 2026

GPU sem servidor Python API atualizada para 0.5.21

A GPU sem servidor Python API 0.5.21 inclui as seguintes atualizações de API:

• Correções de bug:
  • A API serverless de GPU agora gera um erro claro GPUValidationError quando o parâmetro gpus não é um número inteiro.
  • Falhas transitórias de instantâneo do ambiente durante o envio remoto agora têm nova tentativa com backoff. Anteriormente, uma corrida de leitura em arquivos apenas gravados por execução poderia aparecer como um erro transitório e anular a execução.
  • Usar @distributed com gpus=1 em uma GPU conectada localmente agora registra uma mensagem informando que a função pode ser executada diretamente no notebook.
  • As mensagens de erro para um tipo de GPU inválido agora passam a listar os tipos disponíveis usando seus nomes canônicos, como h100 e a10.
• Novos recursos:
  • As execuções iniciadas com @distributed agora aparecem na guia de logs do experimento do MLflow.

1º de julho de 2026

GPU sem servidor Python API atualizada para 0.5.20

A GPU sem servidor Python API 0.5.20 inclui as seguintes atualizações de API:

• Correções de bug:
  • Corrigido um problema em que o carregador de logs travava com um UnicodeDecodeError ao consultar um arquivo de log no meio de uma sequência UTF-8 de vários bytes.

9 de junho de 2026

GPU sem servidor Python API atualizada para 0.5.19

A GPU sem servidor Python API 0.5.19 inclui as seguintes atualizações de API:

• novos recursos:

  • As execuções no modo local agora transmitem os logs para o MLflow de forma incremental ao longo de toda a execução, em vez de fazer upload de um único instantâneo no final da execução.
  • Saída do stderr capturada nos artefatos de log do MLflow para execuções no modo local.

• Correções de bug:

  • O modo de execução local agora respeita o nível de log configurado do notebook.
  • Suprimiu os alertas NCCL não passíveis de ação durante as execuções no modo local.

26 de maio de 2026

GPU sem servidor Python API atualizada para 0.5.18

A GPU sem servidor Python API 0.5.18 inclui as seguintes atualizações de API:

• novos recursos:

  • Adicionado um timeout parâmetro ao @distributed decorador. Por padrão, ele limita as execuções locais (remote=False) em 3 horas. Para execuções locais ilimitadas, passe timeout=None.
  • Introduziu a DATABRICKS_SERVERLESS_GPU_LOG_VERBOSE variável de ambiente para controlar a verbosidade de log da serverless_gpu biblioteca.
  • Passou a respeitar os experimentos do MLflow especificados pelo usuário definidos com mlflow.set_experiment(...) durante a execução local de GPU sem servidor, com uma mensagem de erro mais informativa quando há um conflito no nome do experimento do MLflow.

• Correções de bug:

  • Corrigimos um problema em que o link de execução do MLflow na saída da célula exibia um segmento [REDACTED] para cargas de trabalho remotas.
  • Corrigido um problema em que erros transitórios (503 erros) no modo remoto terminavam a carga de trabalho na primeira ocorrência. A API agora tenta novamente em caso desses erros.
  • Melhoradas as mensagens de aviso e erro exibidas quando você importa serverless_gpu e executa com remote=False sem o torch instalado.

11 de maio de 2026

GPU sem servidor Python API atualizada para 0.5.17

A GPU sem servidor Python API 0.5.17 inclui as seguintes atualizações de API:

• Correções de bug:
  • A API agora volta à computação sob demanda quando as opções do pool de GPU não estão disponíveis, evitando falhas de carga de trabalho durante interrupções de serviço.
  • Os erros na criação de cargas de trabalho agora incluem o corpo completo da resposta do servidor, o que agiliza a resolução de problemas.
  • Mensagens de erro aprimoradas para o uso incorreto do decorador @distributed.
  • Agora é possível executar @distributed(remote=False) execuções aninhadas do MLflow na execução local. Executar uma execução dentro de uma execução ativa do MLflow agora cria uma execução filha aninhada, em vez de encerrar a execução pai existente.
• Novos recursos:
  • Logs locais mais limpos: por padrão, os logs de métricas do sistema no nível de informação são suprimidos durante a execução local para reduzir o ruído nos logs.

24 de abril de 2026

GPU sem servidor Python API atualizada para 0.5.16

A GPU sem servidor Python API 0.5.16 inclui as seguintes atualizações de API:

• Novos recursos:
  • Adicionado UCVolumeDataset, um Torch IterableDataset que transmite arquivos de um volume montado no FUSE do Unity Catalog. As listas de arquivos são particionadas automaticamente entre as classificações distribuídas e os trabalhadores do DataLoader para que cada par (rank, worker) receba uma fatia não sobreposta.
  • A API de GPU sem servidor agora oferece suporte ao tipo de acelerador 1xH100 para tarefas com um único H100.
  • Redução do ruído de log de PySpark e Py4J durante a execução local. A mensagem do diretório de log agora está registrada no nível de depuração em vez de impressa.

14 de abril de 2026

GPU sem servidor Python API atualizada para 0.5.15

A GPU sem servidor Python API 0.5.15 inclui as seguintes atualizações de API:

• Novos recursos:
  • Adicionamos a propagação de logs ao MLflow para execuções locais da API de GPU sem servidor. Os logs de treinamento das execuções locais agora são enviados automaticamente para o MLflow.
• Correções de bug:
  • Quando PyTorch não está instalado, a mensagem de erro agora indica corretamente que o ambiente base Standard v5 não inclui torch.
• Segurança:
  • Fixou todas as versões de dependências do Python em versões exatas para evitar ataques na cadeia de suprimentos provenientes de versões mal-intencionadas de pacotes publicadas recentemente.

17 de março de 2026

GPU sem servidor Python API atualizada para 0.5.14

A GPU sem servidor Python API 0.5.14 inclui as seguintes atualizações de API:

• Correções de bug:
  • Correção de um problema em que a API de GPU sem servidor falhava em planos de controle sem MAPI disponível. A API agora volta normalmente para a computação sob demanda quando MAPI é inacessível.

2 de março de 2026

GPU sem servidor Python API atualizada para 0.5.13

A GPU sem servidor Python API 0.5.13 inclui as seguintes atualizações de API:

• Correções de bug:
  • Corrigida a análise do nome do dispositivo GPU do Azure A10 no modo local. A API agora lida com formatos específicos de Azure, como "A10-24Q".
  • Correção de um problema em que a execução ativa do MLflow não era fechada após a conclusão da execução local.
  • Correção na compatibilidade do streaming de log do MLflow com a versão 3.x do MLflow. Uma alteração no comportamento do caminho de download do artefato no MLflow 3.x causou a interrupção do streaming de log. O streaming de log agora funciona corretamente com MLflow 2.x e 3.x.
  • Corrigimos um problema que fazia com que as corridas de treinamento travassem. O recurso de sincronização de status do MLflow entre classificações introduzido em uma versão anterior foi descontinuado.

Pacotes adicionados ao ambiente de IA do Databricks

Os novos pacotes a seguir foram adicionados ao ambiente de IA do Databricks na versão 5:

• catboost 1.2.8
• trl 0.23.0
• unsloth 2025.11.3
• vllm 0.13.0
• omegaconf 2.3.0
• statsmodels 0.14.4
• networkx 3.4.2

Pacotes removidos do ambiente de IA do Databricks

Os seguintes pacotes foram removidos do ambiente de IA do Databricks na versão 5:

• spacy
• sentencepiece

Pacotes não incluídos no ambiente base

Os seguintes pacotes não estão incluídos no ambiente base, mas permanecem disponíveis no ambiente da CPU:

• scipy
• seaborn
• scikit-learn

Os seguintes pacotes não estão incluídos no ambiente base, mas permanecem disponíveis no ambiente de IA do Databricks:

• flash-attention
• torch
• torchvision

Com base nos comentários do cliente que solicitam controle sobre o controle de versão do PyTorch, torch não está incluído no ambiente base da versão 5. Isso permite que você instale a versão que melhor se ajusta à sua carga de trabalho. Para usar uma versão testada pelo Databricks, execute %pip install torch==2.9.0 em uma célula do notebook ou instale torch==2.9.0 usando a seção Dependências do painel lateral ambiente .

Ambiente do sistema

• Sistema operacional: Ubuntu 24.04.2 LTS
• Python: 3.12.3
• Databricks Connect: 18.0.0
• Kit de ferramentas do NVIDIA CUDA: 12.9

Bibliotecas do Python instaladas

Ambiente padrão

Para reproduzir o ambiente de GPU sem servidor 5 em seu ambiente virtual python local, baixe o arquivo requirements-env-gpu-5.txt e execute pip install -r requirements-env-gpu-5.txt. Esse comando instala todas as bibliotecas do ambiente sem servidor 5.

Ambiente de IA

O ambiente de IA inclui todos os pacotes do ambiente Standard, bem como os seguintes pacotes. Esse ambiente inclui pyTorch e bibliotecas abrangentes de machine learning:

• torch 2.9.0
• torchvision 0.24.0
• flash_attn 2.8.3
• catboost 1.2.8
• langchain 0.3.27
• lightgbm 4.6.0
• openai 2.7.0
• optuna 4.5.0
• pytorch-lightning 2.5.4
• ray 2.51.1
• scikit-learn 1.6.1
• scipy 1.15.3
• seaborn 0.13.2
• sentence-transformers 5.1.2
• transformers 4.57.1
• trl 0.23.0
• unsloth 2025.11.3
• vllm 0.13.0
• xgboost 3.0.4

Para reproduzir o ambiente de IA V5 em seu ambiente virtual do Python local, baixe o arquivo requirements-ai-gpu-5.txt e execute pip install -r requirements-ai-gpu-5.txt. Esse comando instala todas as bibliotecas do ambiente de IA.