#发版日志

#AI 2.3.0

#新功能和优化功能

#基于 Ray 的分布式工作负载

KubeRay 和 CodeFlare SDK 使开发者能够从 Workbench 运行基于 Ray 的分布式工作负载，并在 Kubernetes 上管理远程 Ray 集群。开发者可以创建并监控 RayCluster 资源，提交 RayJob 工作负载，并为基于 Python 的环境定义分布式计算任务。

#Feast Feature Store

Feast Feature Store 提供了一种一致的方式来管理可复用的机器学习特征，覆盖训练、批量评分和在线推理。管理员可以通过 FeatureStore 自定义资源在 Kubernetes 上部署 Feast，该资源负责管理在线存储、离线存储、注册中心、UI 和客户端配置等核心服务。

#Connection Hub S3 支持

Connection Hub 支持 S3 连接类型，扩展了 AI 工作流中可复用连接配置的范围。它使用户只需配置一次 S3 兼容对象存储访问，即可在受支持的模型、数据和开发工作流中复用该连接。

#TrainingHub 微调和后训练

TrainingHub 为 Workbench 环境中的模型微调和后训练提供统一的高层 API。它支持 SFT 和 OSFT 工作流，涵盖单 GPU、多 GPU 和多节点执行场景，简化了分布式训练配置、内存管理、检查点保存和实验跟踪。

#扩展 ARM 的 Notebook 基础镜像库

Notebook Base Image Library for ARM 现已包含 minimal CANN、PyTorch CANN、MindSpore CANN 和 datascience code-server 镜像。基于 CANN 的镜像为 Ascend NPUs 提供框架支持，扩展了 ARM 相关的 notebook 和 code-server 环境开发选项。

#弃用功能

本版本中无。

#已修复问题

• [LWS] 为控制器添加 Master 节点容忍度，修复 Pod 持续处于 Pending 的问题。
• Node Feature Discovery 包的tag 和chart tag 不一致导致在global 集群部署状态异常，在业务集群部署没有这个问题。
• 修复 catalog 组件在断网环境中启动错误的问题
• 当成功创建推理服务之后，在管理视图更新 ServingRuntime 的参数，如果推理服务引用了这个 ServingRuntime，即使停止再启动，或者更新部分参数，都无法在内部实际引用最新的 ServingRuntime 参数。

#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。
• 在使用 VictoriaMetrics 对 Serverless 模式的推理服务进行监控数据采集时，存在推理服务无法缩容到0的已知问题。