#发版日志

#AI 2.0.0

#新增与优化功能

#NPU 支持

通过引入 NPU Operator，支持 NPU 硬件管理，简化了 NPU 的使用配置，提升硬件加速能力。

#排队与准入控制

通过引入 Alauda Build of Kueue，实现了排队管理和准入控制，优化任务调度与资源分配。

#模型注册中心

集成 Kubeflow Model Registry，增强了模型管理与版本控制，简化了模型注册与存储流程。

#分布式推理

新增 llm-d 支持分布式推理，提升大规模推理任务的性能和资源利用效率。

#Leader-Worker Set 支持

通过引入 Alauda Build of LeaderWorkerSet，支持分布式训练任务管理，简化 Leader-Worker 模型下的任务分发与协调。

#AI Gateway

全新引入 Alauda build of Envoy AI Gateway，优化流量管理与安全性，提供更强大的 AI 服务代理能力。

#Trainer 编排

支持 Kubeflow Trainer v2，增强模型训练任务的调度与管理，实现更灵活高效的训练工作流。

#Pipelines 编排

集成 Kubeflow Pipeline，提升流水线编排与任务管理效率，增强工作流自动化能力。

#向量存储

引入 Milvus，提供高效的向量存储解决方案，支持大规模向量数据存储与快速检索。

#NVIDIA DRA

通过引入 NVIDIA DRA Driver for GPUs，优化 GPU 资源管理与调度，提高 GPU 利用率和性能。

#节点特征发现

Alauda Build of Node Feature Discovery 实现硬件特征自动发现与节点标签管理，提升节点资源管理的灵活性。

#Llama Stack 运行时

引入 Llama Stack，为分布式 AI 任务提供高效的运行时环境，增强 AI 智能体能力。

#生成式 AI

通过引入 Kserve 的 Generative AI 模块，增强生成式 AI 支持，优化模型部署与推理，特别针对生成式 AI 应用。

#低代码构建器集成

更新 Dify 版本并提供可部署的 Charts，简化低代码应用构建流程，进一步提升 AI 应用开发效率。

#废弃功能

#UI 微调与预训练废弃

由于缺乏通用性、复杂的横向扩展，且该方式并非业界主流的模型训练与微调方法，现废弃此功能。建议改用基于 notebook 的模型微调与训练方式。

#Secret Manage 废弃

由于缺乏有效使用场景，且不再需要手动集成 GitLab，Secret Manage 功能已废弃，不再适用。

#修复的问题

• 通过页面更新推理服务资源 yaml时，会导致 volumeMount 相关字段丢失，从而导致推理服务无法正常启动
• 旧版本中， GraphQL 查询（默认采用 POST 方式）会被网关层错误地拦截并校验 create 创建权限。新版本中，对于往 /api/graphql 接口发送的请求，RBAC 拦截器能正确将其对应为 get 读取权限，确保只读角色的用户也能顺畅地读取和访问包含 GraphQL 数据流的页面内容。

#已知问题

• 在 Gitlab 中通过直接编辑 readme 文件，来修改 library_name，在页面中无法同步显示出其模型类型变化。
  临时方案：使用 UI 操作修改，避免直接操作 Gitlab 修改。
• 删除模型后，列表页未能立即反映出删除结果，被删除的模型仍短暂存留于列表中。临时解决方案，手动重新刷新页面。
• 进入命名空间没有被纳管的 AI 页面时，无法切换至命名空间已纳管的页面。