主要新功能​

• 💡基于类型提示的模型签名: 以最 Python 风格的 方式定义您的模型的 signature。MLflow 现在支持基于您 PythonModel 的 predict 函数中的类型提示来定义模型签名，并验证输入数据载荷是否符合该签名。 (#14182, #14168, #14130, #14100, #14099, @serena-ruan)

• 🧠 Bedrock / Groq 跟踪支持: MLflow Tracing 现在为 Amazon Bedrock 和 Groq LLMs 提供一行自动跟踪体验。只需在代码中添加对 mlflow.bedrock.tracing 或 mlflow.groq.tracing 的调用，即可跟踪模型内的 LLM 调用。 (#14018, @B-Step62, #14006, @anumita0203)

• 🗒️ 在 Jupyter Notebook 中内联呈现跟踪: MLflow 现在支持在你运行模型的笔记本内呈现跟踪 UI。这消除了在笔记本和浏览器之间频繁切换的需要，打造了无缝的本地模型调试体验。 (#13955, @daniellok-db)

• ⚡️使用 uv 包管理器加速模型验证: MLflow 已采用 uv，这是一个基于 Rust 的超级快速的 Python 包管理器。此版本在 mlflow.models.predict API 中加入了对该新包管理器的支持，从而加快了模型环境验证。敬请期待更多更新！ (#13824, @serena-ruan)

• 🖥️ Trace UI 中的新聊天面板: MLflow Trace UI 现在为 LLM 调用显示了一个统一的 chat 面板。该更新允许您在不同的 LLM 提供商之间以丰富且一致的 UI 查看聊天消息和函数调用，并检查原始输入和输出有效负载。 (#14211, @TomuHirata)

其他功能：

• 引入了 ChatAgent 基类，用于定义自定义的 Python 智能体 (#13797, @bbqiu)
• 在 DSPy 跟踪中支持工具调用 (#14196, @B-Step62)
• 对用于 Spark UDF 推理的请求内本地评分服务器应用了超时覆盖 (#14202, @BenWilson2)
• 支持用于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)
• 为 ChatModel 设置默认任务 (#14068, @stevenchen-db)

有关完整的更改列表，请参阅 release change log，并查看最新的文档，见 mlflow.org。