Entorno de GPU sin servidor versión 4 (beta)

En este artículo se describe la información del entorno del sistema para el entorno de GPU sin servidor versión 4.

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 la versión del entorno utilizando el panel lateral de entorno en sus notebooks sin servidor. Consulte Configuración del proceso de GPU sin servidor.

Nuevas características y mejoras

El entorno de GPU sin servidor 4 se basa en el entorno sin servidor 4 (CPU). Vea las novedades del entorno sin servidor 4 (CPU). Incluye dos entornos diferentes:

• Entorno base predeterminado: un entorno mínimo con la API de cliente estable.
• Entorno de inteligencia artificial de Databricks: un entorno con paquetes y paquetes en tiempo de ejecución comunes específicos del aprendizaje automático en GPU.

Actualizaciones de API

11 de dic de 2025

API de Python de GPU sin servidor actualizada a 0.5.9

La API de Python de GPU sin servidor 0.5.9 incluye las siguientes actualizaciones de API:

• Correcciones de errores:

  • Se ha corregido un error por el que interrumpir la celda del cuaderno no detenía el trabajo remoto.
  • Se ha corregido un error por el que el cuaderno no mostraba el estado correcto de la carga de trabajo.
  • Se ha corregido un error de registro con un argumento de palabra clave inesperado.

• Nuevas características y mejoras:

  • Las salidas de celda ahora muestran registros de entrenamiento con marcas de tiempo y ejecuciones de MLflow.

19 de noviembre de 2025

API de Python de GPU sin servidor actualizada a 0.5.8

La API de Python de GPU sin servidor 0.5.8 incluye las siguientes actualizaciones de API:

• Correcciones de errores:

  • Se ha corregido una condición de carrera en el código de sincronización que provocaba este mensaje de error: torch.distributed.DistBackendError: [1] is setting up NCCL communicator and retrieving ncclUniqueId from [0] via c10d key-value store by key '0', but store->get('0') got error: failed to recv, got 0 bytes.
  • Se ha corregido un problema en la que se generaba una excepción más general en lugar de una excepción específica. Esta corrección también abarcaba condiciones adicionales de carrera que darían lugar a que una celda final se marcase como "Ran" en lugar de "Failed".

• Nuevas características y mejoras:

  • Se ha aumentado de 16 a 32 el número máximo de GPU A10 y H100 a las que un notebook puede conectarse.
  • Se ha agregado el tiempo de espera y el vaciado de registros al sincronizar entornos.

31 de octubre de 2025

API de Python de GPU sin servidor actualizada a 0.5.7

La API de Python de GPU sin servidor 0.5.7 incluye las siguientes actualizaciones de API:

• Correcciones de errores:
  • Se ha corregido un problema por el que un error de trabajo remoto mostraba incorrectamente éxito en la celda del cuaderno.
  • Se ha corregido un problema de tiempo de espera intermitente durante la sincronización del entorno.
  • Se ha corregido el problema de visualización del vínculo "Ver registros".

22 de octubre de 2025

API de Python de GPU sin servidor actualizada a 0.5.6

La API de Python de GPU sin servidor 0.5.6 incluye las siguientes actualizaciones de API:

• Correcciones de errores:
  • Se ha corregido Py4jException un error que provocaba que el cuaderno se bloqueara al ejecutar varias cargas de trabajo mediante serverless_gpu con remote=False.
  • Se ha corregido un problema ocasional identificado como "torch.distributed.DistStoreError" que podía producirse durante el entrenamiento en varios nodos.
  • Se ha corregido un problema de carreras de carga y descarga de sincronización del entorno con la nueva API del administrador de entornos de Python.
• Cambios de comportamiento:
  • Selección actualizada del cómputo de GPU sin servidor predeterminado. De forma predeterminada, los usuarios ahora se asocian a grupos reservados si tienen acceso a ellos. Los usuarios pueden conectarse a grupos a petición estableciendo la marca "DATABRICKS_USE_POOL". Si los usuarios no tienen acceso a grupos reservados, siempre tendrán como valor predeterminado grupos a petición.

Entorno del sistema

• sistema operativo: Ubuntu 24.04.2 LTS
• Python: 3.12.3
• Databricks Connect: 17.2.4
• Kit de herramientas de NVIDIA CUDA: 12.6

Bibliotecas de Python instaladas

Entorno base predeterminado

Además de lo que se incluye en el entorno sin servidor 4 (CPU), el entorno de GPU sin servidor 4 incluye lo siguiente:

• flash-attention 2.8.3
• torch 2.7.1
• torchvision 0.22.1

Para reproducir el entorno de GPU sin servidor 4 en el entorno virtual local de Python, descargue el archivo requirements-env-gpu-4.txt y ejecute pip install -r requirements-env-gpu-4.txt. Este comando instala todas las bibliotecas de código abierto desde el entorno sin servidor 4.

Entorno de inteligencia artificial

El entorno de IA incluye todos los paquetes del entorno base predeterminado, así como los siguientes paquetes:

• flash-attention 2.8.3
• langchain 0.3.27
• lightgbm 4.6.0
• openai 1.106.1
• optuna 4.5.0
• ray 2.49.1
• sentence-transformers 5.1.0
• transformers 4.56.1
• xgboost 3.0.4
• pytorch-lightning 2.5.4

Para reproducir el entorno de IA V4 en el entorno virtual local de Python, descargue el archivo requirements-ai-gpu-4.txt y ejecute pip install -r requirements-ai-gpu-4.txt. Este comando instala todas las bibliotecas de código abierto desde el entorno de IA.