Environnement GPU serverless version 4 (bêta)

Cet article décrit les informations relatives à l’environnement système pour l’environnement GPU serverless version 4.

Pour garantir la compatibilité de l’application, les charges de travail GPU serverless utilisent une API versionnée, appelée version de l’environnement, qui reste compatible avec les versions plus récentes du serveur.

Vous pouvez sélectionner la version de l’environnement à l’aide du panneau latéral Environment dans vos notebooks serverless. Consultez Configurer le calcul GPU serverless.

Nouvelles fonctionnalités et améliorations

L’environnement GPU serverless 4 est basé sur l’environnement serverless 4 (PROCESSEUR). Découvrez les nouveautés de l’environnement serverless 4 (PROCESSEUR). Il comprend deux environnements différents :

• Environnement de base par défaut : environnement minimal avec l’API cliente stable.
• Environnement IA de Databricks : un environnement avec des packages communs de runtime et des packages spécifiques à l'apprentissage automatique sur des GPU.

Mises à jour d’API

11 déc. 2025

L'API Python GPU serverless a été mise à jour vers la version 0.5.9

L’API Python du GPU serverless 0.5.9 inclut les mises à jour d’API suivantes :

• Correctifs de bogues :

  • Un bogue a été corrigé dans lequel l'interruption d'une cellule de bloc-notes ne stoppait pas le travail à distance.
  • Correction d’un bogue dans lequel le notebook n’affichait pas l’état correct de la charge de travail.
  • Correction d’une erreur de journalisation avec un argument de mot clé inattendu.

• Nouvelles fonctionnalités et améliorations :

  • Les sorties de cellule affichent désormais les journaux de formation avec des horodatages et des exécutions des expériences MLflow.

19 novembre 2025

API Python gpu serverless mise à niveau vers la version 0.5.8

L’API Python gpu serverless 0.5.8 inclut les mises à jour d’API suivantes :

• Correctifs de bogues :

  • Correction d’une condition de concurrence dans le code de synchronisation qui a provoqué ce message d’erreur : 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.
  • Correction d’un problème où une exception plus générale était levée au lieu d’une exception spécifique. Ce correctif a également couvert des conditions de course supplémentaires qui entraîneraient une cellule finale marquée comme « Ran » au lieu de « Échec ».

• Nouvelles fonctionnalités et améliorations :

  • Augmentation du nombre maximal de GPU A10 et H100 auxquelles un notebook peut se connecter de 16 à 32.
  • Ajout du délai d’expiration et du vidage des journaux lors de la synchronisation des environnements.

31 octobre 2025

API Python serverless GPU mise à jour vers la version 0.5.7

L’API Python gpu serverless 0.5.7 inclut les mises à jour d’API suivantes :

• Correctifs de bogues :
  • Correction d’un problème où un échec d’une tâche distante indiquait à tort une réussite dans la cellule du bloc-notes.
  • Correction d’un problème de délai d’expiration intermittent pendant la synchronisation de l’environnement.
  • Correction du problème d’affichage du lien « voir les journaux ».

22 octobre 2025

Mise à niveau de l'API Python GPU serverless vers la version 0.5.6

L’API Python gpu serverless 0.5.6 inclut les mises à jour d’API suivantes :

• Correctifs de bogues :
  • Correction Py4jException d’une erreur qui entraînait le blocage du bloc-notes lors de l’exécution de plusieurs charges de travail en utilisant serverless_gpu avec remote=False.
  • Correction d'un problème occasionnel torch.distributed.DistStoreError pouvant survenir pendant une formation multi-nœuds.
  • Correction du problème de concurrence lors de la synchronisation des téléversements et téléchargements dans le nouveau gestionnaire d'environnement API Python.
• Changements comportementaux :
  • Mise à jour de la sélection de calcul GPU serverless par défaut. Par défaut, les utilisateurs s’attachent désormais à des pools réservés s’ils ont accès à eux. Les utilisateurs peuvent se connecter à des pools à la demande en définissant l’indicateur « DATABRICKS_USE_POOL ». Si les utilisateurs n'ont pas accès à des pools réservés, ils utiliseront par défaut des pools à la demande.

Environnement du système

• Système d’exploitation : Ubuntu 24.04.2 LTS
• Python : 3.12.3
• Databricks Connect : 17.2.4
• NVIDIA CUDA Toolkit : 12.6

Bibliothèques Python installées

Environnement de base par défaut

Outre ce qui est inclus dans l’environnement serverless 4 (PROCESSEUR), l’environnement GPU serverless 4 inclut les éléments suivants :

• flash-attention 2.8.3
• torch 2.7.1
• torchvision 0.22.1

Pour reproduire l’environnement GPU serverless 4 dans votre environnement virtuel Python local, téléchargez le fichier requirements-env-gpu-4.txt et exécutez pip install -r requirements-env-gpu-4.txt. Cette commande installe toutes les bibliothèques open source à partir de l’environnement serverless 4.

Environnement IA

L’environnement IA inclut tous les packages de l’environnement de base par défaut, ainsi que les packages suivants :

• 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

Pour reproduire l’environnement IA V4 dans votre environnement virtuel Python local, téléchargez le fichier requirements-ai-gpu-4.txt et exécutez pip install -r requirements-ai-gpu-4.txt. Cette commande installe toutes les bibliothèques open source à partir de l’environnement IA.