mlflow
PulseAugur coverage of mlflow — every cluster mentioning mlflow across labs, papers, and developer communities, ranked by signal.
- 2026-08-20 controversy CISA warns of active exploitation of a critical vulnerability in MLflow. 来源
- 2026-08-18 controversy A critical SSRF vulnerability in MLflow, CVE-2026-64849, is being actively exploited in the wild. 来源
- 2026-08-08 product_launch MLflow released version 3.15, enhancing its Model Catalog (MCP) features. 来源
16 天有情绪数据
-
Azure Databricks MLflow 模型加载问题报告
用户在使用 pyfunc.load_model 函数在 Azure Databricks 中加载 MLflow 注册模型时遇到了一个问题。此问题特定于他们的项目，在其他机器学习工作中并未观察到。
-
简报涵盖AI安全、暴露服务器及其他13项技术转变
近期一份简报强调了十五项重大的技术转变，包括AI安全方面的进展，如加密提示攻击和AI目标水系统。简报还涵盖了暴露的MLflow和Zimbra服务器、控制台支出趋势、堆叠芯片的发展以及对数据中心的抵制。其他主题包括Meta AI、Android恶意软件、电池化学、NASA Swift、AI偏见、Firefly音频、触觉机器人和改进的视频裁判。
-
CISA 警告 MLflow AI 平台关键漏洞被积极利用 · 已追踪 2 个来源
攻击者正在积极利用 MLflow（一个开源 AI/ML 工程平台）中的一个关键漏洞。美国网络安全和基础设施安全局 (CISA) 已将此漏洞（标识为 CVE-2026-64849）添加到其已知被利用漏洞 (KEV) 目录中。由于在野外观察到该漏洞被利用，联邦机构已被指示修补该漏洞，因为它对云密钥和内部系统构成风险。
-
MLOps工具：用于可复现性的操作控制点与MLflow的对比
文章将“操作控制点”和“mlflow”作为管理机器学习操作的工具进行比较，重点关注它们在确保可复现性方面的各自优势。文章指出，虽然MLflow跟踪模型生命周期，但操作控制点对于记录与每次机器学习运行相关联的特定数据状态至关重要。文章强调，这些工具并非相互竞争，而是实现MLOps中稳健可复现性的互补方法。
-
MLOps架构通过自动再训练应对生产模型漂移
本文讨论了确保机器学习模型在生产环境中保持有效性的强大MLOps实践的关键需求。文章概述了一个端到端的架构，该架构集成了使用PSI和KS测试的漂移检测，以及一个自动再训练流水线。所提出的系统利用FastAPI、Prometheus和MLflow等工具来监控模型性能，并在检测到性能下降时自动再训练模型，从而防止静默故障。
-
关键 MLflow SSRF 漏洞 (CVE-2026-64849) 正在被积极利用
在 MLflow（一个用于管理机器学习生命周期的平台）中发现了一个关键的服务器端请求伪造 (SSRF) 漏洞，即 CVE-2026-64849。该漏洞的 CVSS 评分为 9.3，无需身份验证，允许攻击者通过访问内部资源和元数据端点来窃取云凭证。野外利用已被证实，已有积极的扫描和概念验证利用，该漏洞已被添加到 CISA 已知漏洞利用目录中。
-
六种提示优化框架的有效性对比
最近的一项分析比较了六种提示优化框架：DSPy、GEPA、TextGrad、agent-opt、Arize Prompt Learning 和 MLflow 的优化器。研究发现，这些框架不能互换使用，因为它们代表了从完整编程模型到单一算法和平台功能的各种不同方法。有效性的关键区别在于能否针对用户自己的数据集上的特定指标进行优化，而易于更换搜索算法是一个重要因素。
-
2026 年 MLOps 生态系统：关键工具和集成
到 2026 年，MLOps 生态系统预计将发生重大演变，重点是集成工具链。Kubernetes 和 Docker 等关键技术将继续作为容器化和编排的基础。Terraform 和 Ansible 等工具对于基础设施即代码至关重要，而 Prometheus 和 Grafana 将提供必要的监控功能。工作流管理可能由 Apache Airflow 和 Kubeflow 等平台主导，mlflow、Data Version Control、W…
-
MLOps 详解：使用 MLflow 从模型训练到生产部署
这一系列文章聚焦于 MLOps，即在生产环境中部署和维护机器学习模型的实践。文章强调了模型初始训练之外的挑战，突出了可靠性和实际应用的需求。具体而言，MLflow 被呈现为数据科学家管理项目从实验到生产的关键工具，支持模型的跟踪、打包和部署。
-
Databricks 估值 1900 亿美元，伴随 AGI 论调和 50 亿美元融资
Databricks 已获得 50 亿美元新融资，公司估值达到 1900 亿美元。这一显著估值之际，CEO Ali Ghodsi 声称，基于 2022 年前的行业定义，通用人工智能 (AGI) 已经实现。公司计划利用这笔资金拓展其 AI 业务，重点关注其用于工作负载路由和成本控制的 Unity AI Gateway、Lakebase 数据库以及用于企业上下文访问的 Genie 平台等领域。
-
Amtrak 构建由 AI 驱动的数据主干以实现重大铁路转型
Amtrak 正在实施一个名为 Rail Intelligence 的综合性数字智能平台，该平台基于 Databricks 构建，以支持其 50 多年来最重大的运营转型。该平台旨在将来自新列车组、预订系统和基础设施项目等各种来源的数据统一到一个单一的治理层中。目标是通过利用实时数据和机器学习模型，实现预测性维护，提高运营准备能力，并改进资本决策。
-
使用MLflow、FastAPI、Trivy和GitOps构建的安全MLOps流水线
本文详细介绍了创建安全、端到端的机器学习运维（MLOps）流水线。它强调零信任方法，集成了MLflow进行模型管理、FastAPI进行API开发、Trivy进行漏洞扫描以及GitOps进行持续部署等工具。重点在于确保模型准确性和性能，同时在整个机器学习生命周期中保持强大的安全性。
-
MLflow 指南涵盖自动日志记录、模型注册表和评估
本文提供了 MLflow 的深入指南，MLflow 是一个用于管理机器学习生命周期的平台。它涵盖了关键功能，如自动日志记录、用于版本控制和部署的模型注册表以及模型评估技术。内容已针对 MLflow 3.14 版本进行测试，为 MLOps 从业者提供实用见解。
-
随着市场蓬勃发展，LLM 可观测性平台在高级功能上出现分化
LLM 可观测性和评估平台市场正在迅速扩张，预计到 2030 年将达到 92.6 亿美元。平台正朝着 AI 原生工具、开源评估库、AI 网关和 APM 扩展等方向多元化发展，并且越来越多地采用 OpenTelemetry 标准以实现互操作性。Langfuse、Helicone、Opik 和 MLflow 等领先平台之间的关键差异化因素在于其高级功能，例如自动跟踪评分、复杂的速率限制规则、用于主题和 PII 检测的集成防护栏，以及具有差…
-
MLOps指南详细介绍自动化机器学习模型部署 · 已追踪4个来源
这一系列文章探讨了MLOps在将机器学习模型从实验阶段过渡到生产阶段的关键作用。文章强调了自动化、严谨性和纪律性的必要性，并与传统的软件工程实践进行了类比。Azure Machine Learning、GitHub Actions、Kubernetes、Docker和MLflow等特定工具和平台被讨论为简化这一过程和确保成功部署的关键组成部分。
-
MLflow 3.15 增强模型目录功能
MLflow 发布了 3.15 版本，引入了增强其模型目录 (MCP) 功能的新特性。此次更新旨在让 MCP 之旅对使用机器学习模型的用户来说更加有趣，并可能更有用。
-
MLflow 教程引导用户了解实验跟踪基础知识
本教程系列介绍了 MLflow，一个用于管理机器学习生命周期的开源平台。第一部分侧重于 MLflow Tracking，演示如何记录实验、参数、指标和模型。通过使用 MLflow，用户可以摆脱分散的笔记本和结果，转向一个集中的模型训练跟踪系统，从而实现可重复性和更轻松地比较不同的模型配置。
-
MLflow 通过跟踪模型和参数简化机器学习实验
MLflow 是一款旨在通过充当跟踪模型训练运行的中央存储库来管理机器学习实验混乱的工具。它会自动记录参数、性能指标和保存的模型，从而避免了跟踪哪些配置产生了最佳结果的常见问题。这种组织至关重要，因为与传统软件开发不同，机器学习开发涉及持续的迭代和实验。
-
新工具AIGen实现AI物料清单生成自动化
一篇新论文介绍AIGen，一个旨在自动化生成AI物料清单（AIBoMs）的工具。AIGen与MLflow等MLOps框架集成，并利用挖掘启发式方法和大型语言模型的组合来创建机器可读的AI系统组件清单。该工具支持Hugging Face、PyTorch和TensorFlow等各种AI框架，并采用插件架构以实现可扩展性。AIGen旨在促进遵守欧盟AI法案和NIST AI风险管理框架等法规。
-
Databricks MCP 服务器授予 AI 代理直接访问 Lakehouse 的权限
Databricks 发布了一款新工具 Databricks MCP 服务器，它允许 Claude 等 AI 代理直接访问和交互用户的数据 Lakehouse。此次集成支持对话式执行 Notebook、针对 Delta Lake 的 SQL 查询、计算资源管理以及数据沿袭和 MLflow 工件的检查。该工具旨在通过允许代理查询数据、检查作业状态和提取见解，而无需手动干预，从而简化数据分析和工程的 AI 工作流。