KServe v0.15.1版本发布：模型服务与推理能力全面升级

项目简介

KServe是一个开源的Kubernetes原生模型服务框架，专为生产环境中的机器学习模型部署和管理而设计。作为Kubeflow生态系统的重要组成部分，KServe提供了标准化的接口来部署、扩展和管理机器学习模型，支持多种流行的机器学习框架和运行时环境。

核心功能增强

1. 模型缓存机制优化

本次版本对模型缓存功能进行了重要改进，主要体现在以下方面：

• 持久化卷管理优化：当InferenceService被删除时，不再自动移除关联的PVC（持久卷声明）和PV（持久卷），这一改变显著提升了模型缓存的重用性，避免了重复下载大型模型带来的资源浪费。
• 缓存匹配逻辑增强：修复了InferenceService可能匹配错误ModelCache的问题，确保缓存资源能够被正确识别和利用。
• 注解清理机制：当没有匹配的缓存资源时，系统会自动清理内部注解，保持资源描述的准确性。

这些改进使得模型缓存功能更加稳定可靠，特别适合需要频繁加载大型模型的生产场景。

2. vLLM运行时深度整合

vLLM作为高效的大型语言模型推理引擎，在本版本中获得多项重要升级：

• 新增对Llama4和Qwen3等最新大语言模型架构的支持，扩展了模型兼容性范围。
• 引入rerank功能支持，增强了语言模型的排序和重排能力。
• 改进了vLLM V1版本的稳定性，优化了后台引擎任务的初始化流程。
• 实现了与LM Cache的深度集成，通过缓存机制进一步提升推理性能。

3. 自动伸缩能力增强

在自动伸缩方面，本版本带来多项改进：

• 修复了KEDA ScaledObject目标值设置问题，确保自动伸缩配置能够正确应用。
• 优化了Knative自动伸缩器的配置处理逻辑，提升了伸缩行为的可靠性。
• 改进了外部HPA（Horizontal Pod Autoscaler）的处理逻辑，避免不必要的协调操作。

重要功能更新

1. 模型管理新特性

• 模型暂停/恢复功能：新增通过注解控制模型运行状态的能力，用户可以通过简单配置暂停模型服务以节省资源，需要时再快速恢复。
• 多节点Ray集群支持：改进了Ray节点数量和GPU资源的计算逻辑，更好地支持分布式推理场景。
• LoRA模型注册：修复了LoRA模型在模型注册表中可能找不到的问题，确保这类轻量级适配器模型能够被正确管理。

2. 推理服务增强

• 部署模式状态管理：在InferenceService和InferenceGraph状态中新增DeploymentMode字段，并防止部署模式被意外修改。
• 推理图条件处理：修复了InferenceGraph中条件步骤未满足时的响应代码问题，使流程控制更加精确。
• 元数据注入：支持在代理sidecar级别注入推理服务元数据，便于实现更精细的负载日志记录。

3. 运行时环境升级

• HuggingFace Transformer升级：将HuggingFace Transformer运行时升级至4.51.0版本，并添加了bitsandbytes包以支持4位量化。
• NumPy 2.x兼容：确保代码库与最新的NumPy 2.x版本完全兼容。
• OpenVINO弃用：在HuggingFace运行时中正式弃用OpenVINO支持，简化维护工作。

开发者体验改进

1. 代码质量提升

• 修复了flake8 linter报告的错误，提高了代码规范性。
• 增加了类型规范，特别是nthread参数的明确类型声明。
• 显著提升了测试覆盖率，增强了代码可靠性。

2. 构建与发布流程优化

• 升级Go语言版本至1.24，保持开发环境现代化。
• 引入第三方许可证检查机制，确保合规性。
• 启用SBOM（软件物料清单）生成功能，提高软件供应链透明度。
• 重新启用ARM64架构的Docker工作流，扩展部署选项。

总结

KServe v0.15.1版本在模型服务能力、运行时支持、自动伸缩机制等方面都带来了显著改进。特别是对vLLM运行时的深度整合和模型缓存机制的优化，使得处理大型语言模型更加高效可靠。这些增强功能进一步巩固了KServe作为生产级模型服务框架的地位，为机器学习工程师提供了更强大、更稳定的部署平台。