cuML 全版本演进深度解析：从 0.1.0 到 26.08 的 GPU 机器学习库成长之路

导读

本文以 NVIDIA cuML（GPU-Accelerated Machine Learning）官方 CHANGELOG.md 为骨架，系统梳理该开源库从 2018 年首个版本（cuML 0.1.0，仅含 PCA、TSVD、DBSCAN 与 ml-prims）到 2026 年 8 月最新版本（cuml 26.08.00）的完整演进历程。你将掌握 cuML 的版本节奏与命名规则（CalVer）、每个大版本在算法覆盖、API 兼容性、分布式能力、工程化与平台支持上的核心变化，并能结合仓库源码定位对应实现，为选型、升级与二次开发提供直接依据。

---

一、版本节奏：CalVer 命名与发布历史总览

cuML 从 0.19.0（2021 年 4 月）之后全面切换到 CalVer（日历化版本）命名体系，格式为 YY.MM（如 25.12、26.08），每个发布对应一个里程碑版本，通常每两个月发布一次。仓库根目录的 VERSION 文件当前记录为 26.12.00，而 RAPIDS_BRANCH 指向 main，说明仓库处于 26.12 的开发主线。

从 CHANGELOG.md 可以整理出完整的发布序列：

版本	发布日期	版本	发布日期
cuml 26.08.00	2026-08-05	cuML 23.10.00	2023-10-11
cuml 26.06.00	2026-06-03	cuML 23.08.00	2023-08-09
cuml 26.04.00	2026-04-08	cuML 23.06.00	2023-06-07
cuml 26.02.00	2026-02-04	cuML 23.04.00	2023-04-06
cuml 25.12.00	2025-12-10	cuML 23.02.00	2023-02-09
cuml 25.10.00	2025-10-08	cuML 22.12.00	2022-12-08
cuml 25.08.00	2025-08-06	cuML 22.10.00	2022-10-12
cuml 25.06.00	2025-06-05	cuML 22.08.00	2022-08-17
cuml 25.04.00	2025-04-09	cuML 22.06.00	2022-06-07
cuml 25.02.00	2025-02-13	cuML 22.04.00	2022-04-06
cuml 24.12.00	2024-12-11	cuML 22.02.00	2022-02-02
cuml 24.10.00	2024-10-09	cuML 21.12.00	2021-12-09
cuml 24.08.00	2024-08-07	cuML 21.10.00	2021-10-07
cuml 24.06.00	2024-06-05	cuML 21.08.00	2021-08-04
cuML 24.04.00	2024-04-10	cuML 21.06.00	2021-06-09
cuML 24.02.00	2024-02-12	cuML 0.19.0	2021-04-21
cuML 23.12.00	2023-12-06	cuML 0.18.0 ~ 0.1.0	2021-02 ~ 2018-11

早期 0.x 阶段（0.1.0 至 0.19.0）采用语义化版本，每个小版本有明确的功能里程碑；CalVer 化之后，每个 YY.MM 版本都围绕 RAPIDS 生态（cuDF、cuVS、RAFT、RMM 等）同版本对齐发布，docs/source/supported_versions.rst 明确指出：cuML 25.08 只与 cuDF 25.08、cuVS 25.08 等 RAPIDS 库的 25.08 版本兼容。

---

二、26.08：最新版本的核心变更详解

cuml 26.08.00（2026-08-05）是 CHANGELOG 记录的当前最新发布，其内容可分为五类，最能反映 cuML 当前的技术方向。

2.1 Breaking Changes（破坏性变更）

• RandomForest max_depth 默认值改为 None：不再默认限制树深度，与 scikit-learn 行为对齐；对应地，26.04 曾加入 unlimited_depth 支持，26.06 又废弃了 max_depth=16 的旧默认并引入 None。这一系列变更可在 python/cuml/cuml/ensemble 的随机森林实现与 cpp/include/cuml/ensemble/randomforest.hpp 中得到印证。
• wheel 构建改为动态链接 libcuvs：不再静态打包 cuVS，减小产物体积、避免符号冲突。
• 清理 pairwise distances 实现：extract_knn_graph 也一并被清理（见 26.08 Bug Fixes）。
• 一批 API 弃用（deprecate）：convert_dtype、PorterStemmer、整个 cuml.tsa 模块、cuml.datasets.make_arima 以及 legacy output types。其中 cuml.tsa 的弃用体现在 python/cuml/cuml/tsa 目录已新增 _deprecation.py 文件。这些模块仍可导入使用，但会触发弃用警告，后续版本将移除。
• Lars 移出 experimental 状态：成为正式 API，对应 cpp/include/cuml/solvers/lars.hpp 与 Python 层 python/cuml/cuml/linear_model。
• wheel 构建切换到最新 CUDA Toolkit 13.3.0。

2.2 Bug Fixes 亮点

• 随机森林与 scikit-learn 行为对齐：匹配 sklearn 的随机森林特征采样方式、修复 RandomForestClassifier 的 sklearn child metadata、修复无限指标下的特征重要性计算（对应 cpp/src/randomforest/randomforest.cu）。
• 引入 Safe Arithmetic（安全算术运算）基础设施，并在 FastIntDiv 等底层原语上修复模板参数问题，对应 cpp/src_prims/common/fast_int_div.cuh。
• cuml.accel 回退机制：不支持的 PCA 与 KernelRidge 场景回退到 CPU 执行，保证零代码改动加速的可用性。
• pandas 3 string dtype 兼容、pytest 新版本兼容、ColumnTransformer 中 None transformer 的 get_params/set_params 处理。
• FFT t-SNE 确定性修复：设置随机种子后结果可复现，相关实现见 cpp/src/tsne/fft_tsne.cuh。
• Dask 逻辑回归修复非连续类别标签、多 GPU KMeans 校验增强、benchmark CLI 的 --print-status 路径修复。

2.3 New Features 与关键 Improvements

• cuml.accel 新增 IPython magic：可在 Notebook 中直接设置日志级别，相关实现在 python/cuml/cuml/accel/magics.py。
• 单 GPU KMeans 支持 host-streaming（主机流式数据加载），由 cpp/src/kmeans/kmeans_fit.cu 实现，可处理超显存数据集。
• Isolation Forest 正式落地：实现位于 cpp/src/isolation_forest/isolation_forest.cu、cpp/src/isolation_forest/isolation_tree_builder.cuh 与 Python 层 python/cuml/cuml/ensemble。
• 随机森林大规模重构：用确定性采样分位数替代全局排序（deterministic sampled quantiles）、按目标函数族重构 objectives、支持 C++ 层的样本权重训练、加权 bootstrap 采样、行主序训练输入、直方图构建与分裂评分核拆分、为分布式分裂评分增加 allreduce 钩子、处理共享内存压力。对应代码在 cpp/src/decisiontree/batched-levelalgo 与 cpp/src/randomforest。
• benchmark 体系增强：新增 YAML 基准定义（python/cuml/cuml/benchmark/configs）、基准结果 JSON 输出，并分三批补齐缺失估计器的基准覆盖。
• 基础设施现代化：输入校验统一重构完成（cuml.internals 的 mlfunc/ReflectedAttr）、cuda-bindings 替代 cuda-python、跳过 Cython 3.2.7、26.08 版 nvForest 支持、日志与反射系统统一。

---

三、26.06 / 26.04 / 26.02：近三个版本的演进脉络

3.1 cuml 26.06.00（2026-06-03）

• Breaking Changes：RMM 迁移到 CCCL MR 设计；移除未使用的 C API；cuml.naive_bayes、metrics.hinge_loss、LabelEncoder 等应用新校验框架；SVC/LinearSVC 的 probability 参数弃用；随机森林推理采用 nvForest（见 cpp/include/cuml/ensemble/randomforest.hpp 与 cmake/thirdparty/get_nvforest.cmake）；cupy 操作默认使用 PTDS（每线程默认流）。
• New Features：Ridge 与 LinearRegression 新增 LSMR 求解器；ElasticNet/Lasso 支持稀疏输入；LabelEncoder 支持进入 cuml.accel；新增 EmpiricalCovariance 估计器。
• 关键修复：KMeans int32 索引溢出检查、Dask KMeans 的 n_clusters > n_samples 提前校验、FIL 缓冲边界断言、UMAP 顶点并行核以强制顺序行为。
• 新输入校验基建：本版本将新校验框架推广到几乎所有子模块（cluster、decomposition、multiclass、metrics、svm、neighbors、manifold、explainer、preprocessing、covariance、kernel_ridge 等），这是 26.04 引入 cuml.internals.validation 后的全库铺开。

3.2 cuml 26.04.00（2026-04-08）

• Breaking Changes：稀疏输入不支持时抛出 TypeError；新增 cuml.internals.validation 与 check_is_fitted；支持 feature_names_in_；校验 X 必须是二维。
• New Features：cuml.accel 支持 StandardScaler；NearestNeighbors.radius_neighbors_graph；健康检查模块（python/cuml/cuml/health_checks）；SpectralClustering 进入 cuml.accel。
• 平台与工程：放弃 Python 3.10（ci 相关配置 同步更新）、支持 Python 3.14、scipy 最低版本提升到 1.14.0、Python limited API 构建 wheel 与 conda 包、PCA/TSVD 改用 RAFT 实现、Treelite 升级到 4.7.0。

3.3 cuml 26.02.00（2026-02-04）

• Breaking Changes：简化类型反射实现；SVC/SVR 的 TotalIters 弃用；公共 API 移除 handle 参数；output_type=None 不再在 __init__ 中被全局设置覆盖；train_test_split 改用 scikit-learn 实现。
• New Features：TargetEncoder 进入 cuml.accel；底层切换为 CCCL 的 mdspan 实现。
• 工程升级：cuML 全面升级到 C++20；新增 CUDA 13.1 支持；cumlprims_mg 移入 cuML 仓库；UMAP 支持自定义初始化、int64 谱初始化、逆变换（inverse transform）；SVM 支持预计算核；HDBSCAN 压缩层次结构改进。

---

四、2025 年版本回顾：25.12 / 25.10 / 25.08 / 25.06 / 25.04

4.1 cuml 25.12.00（2025-12-10）：分布式与接口规范化

• Breaking Changes：dask 变为可选依赖（仅在需要 cuml.dask 时安装）；HDBSCAN 全面使用 int64_t；要求 CUDA 12.2+；TSNE.n_iter 改名为 max_iter；回归模型 predict 输出 dtype 标准化；支持非数值类别标签；清理 SGD/MBSGDClassifier/MBSGDRegressor/multiclass 等模块。
• New Features：SpectralClustering 估计器；随机森林特征重要性（Feature Importances）与 OOB（Out-of-Bag）评分；HDBSCAN 支持 NN-Descent 建图选项；libcuml 提供静态目标；实现 k-fold。
• Bug Fixes：修复 PCA 符号翻转、坐标下降溢出、DBSCAN 溢出、随机森林采样偏差与 builder 采样、Dask DBSCAN 树归约等。
• 工程：使用 ruff（替代 black/flake8/isort）、SPDX 版权头全面化、Treelite 4.6.1、sklearn 1.8 早期兼容、n_iter_ 属性在 SVC/SVR/Ridge/ElasticNet/Lasso/CD 上全面暴露。

4.2 cuml 25.10.00（2025-10-08）

• 核心主题：cuml.accel 成熟化——移除弃用 CLI 选项、支持环境变量启用、支持 set_output/get_feature_names_out、SVM ONNX 支持、IPython profiler magic 修复。
• 新能力：cuml.metrics.median_absolute_error；KernelDensity.score_samples 加速；NearestNeighbors.kneighbors_graph 支持近似算法；TSNE.n_iter_ 拟合属性；SpectralEmbedding 的 affinity 参数（precomputed/nearest_neighbors）；UMAP 使用 cuVS 的 NN-Descent。
• 平台：CUDA 13.0.0 构建与测试；移除 UCX-Py；nvidia-ml-py 替换 pynvml。

4.3 cuml 25.08.00（2025-08-06）

• 新增 Spectral Embedding（cpp/src/spectral/spectral_embedding.cu），并在后续版本持续完善。
• Breaking Changes：KMeans.random_state 默认改为 None；移除 CUDA 11 支持；experimental.fil Python 模块移除，FIL 迁移至稳定路径（cpp/src/fil）；cuml.neighbors/cuml.ensemble/HDBSCAN/UMAP 陆续移植到 ProxyBase/InteropMixin 新架构。
• cuml.accel 能力扩张：新增 KernelRidge、LinearSVC/LinearSVR、元数据路由、set_output/get_feature_names_out、profiler。

4.4 cuml 25.06.00（2025-06-05）：新 Estimator Proxy 架构

• New Estimator Proxy 架构（PR #6613）是本版本最重要的结构变更：估计器统一通过 ProxyBase/InteropMixin 实现 CPU/GPU 互操作与 sklearn 兼容，此架构在后续版本持续铺开，最终在 26.08 完成全部迁移。
• 其他：cuml.accel 中 Barnes-Hut t-SNE 映射到 FFT 实现；Python 3.13 支持；scikit-learn 成为必需依赖；RBC（远程广播）从 cuVS 引入；禁用 cuml-cpu 构建。

4.5 cuML 25.04.00（2025-04-09）

• FIL 从 experimental 转正；LogisticRegression 支持非平凡 classes_；cuml.accel 作为独立模块成立（PR #6347）并支持 UVM、CLI、环境变量；as_sklearn/from_sklearn 互操作 API 落地（25.02 引入）。

---

五、算法模块演进专题

5.1 随机森林 / 决策树：从 0.7 到 26.08 的最长主线

随机森林（Random Forest）是 cuML 迭代最密集的模块，从 CHANGELOG.md 可梳理出完整脉络：

• 0.7.0：首个单 GPU 分类随机森林与决策树；0.8.0：RF Python 类、Dask RF；0.9.0：RF 回归、RF 转 Treelite 格式、FIL（Forest Inference Library）诞生（PR #819）；0.10.0：RF 推理改用 FIL（GPU 加速预测）；0.11.0：RF 使用 treelite/protobuf/FIL 实现 pickling、RF 回归 benchmark；0.13.0：MNMG RF 用 FIL 预测、predict_proba 支持；0.15.0：max_depth 与 sklearn 兼容（PR #2641）；0.17.0：max_samples 重命名对齐 sklearn；0.19.0：新后端（batched-levelalgo）默认启用。
• 21.06 起：新后端默认用于回归；21.08：移除旧 RF 后端；21.10：向量叶子、Poisson 偏差不纯度、多类 FIL 推理；21.12：Gamma/Inverse Gaussian 损失；25.12：特征重要性与 OOB 评分；26.06/26.08：nvForest 推理、样本权重、加权 bootstrap、确定性采样分位数、分布式分裂评分钩子。
• 当前实现分布在 cpp/src/randomforest、cpp/src/decisiontree/batched-levelalgo（含 bins、builder、objectives、quantiles、split 等子模块），C++ 基准位于 cpp/bench/sg/rf_classifier.cu 与 cpp/bench/sg/rf_regressor.cu。

5.2 FIL 与 Treelite：树模型推理生态

FIL 从 0.9.0 诞生（PR #819）到 25.04 转正，经历了：稀疏森林（0.11）、多类模型（0.13/21.10）、float64 支持（22.06）、CPU+GPU 双实现（23.04，PR #4890）、predict_per_tree/apply、UBJSON 格式（24.08）、XGBoost UBJSON（24.08）、宽数据推理（25.08）、整数溢出与 OOB 内存访问防护（26.04/26.06）。当前 C++ 实现位于 cpp/src/fil，Python 侧在 python/cuml/cuml/ensemble。

5.3 聚类与流形：DBSCAN / KMeans / HDBSCAN / UMAP / t-SNE

• DBSCAN：0.5.0 起用 ML primitives 重构；0.13 预计算距离矩阵；21.08 用 cuVS 替换 RAFT 距离（25.10）；26.04 计算 components_；实现位于 cpp/src/dbscan（含 adjgraph/corepoints/mergelabels/vertexdeg 子模块）。
• KMeans：0.2.0 加入；22.12 改用 RAFT KMeans（PR #4713）；25.08 默认 random_state=None；26.06 移除 inertia_check；26.08 支持 host-streaming；实现位于 cpp/src/kmeans。
• HDBSCAN：21.06 加入（PR #3821）；后续增加 membership vector、soft clustering、NN-Descent 建图（25.12）、int64 索引（25.12）；实现位于 cpp/src/hdbscan。
• UMAP：0.6.0 加入；持续获得稀疏输入（0.17）、确定性（21.06）、NN-Descent（24.08/25.06）、自定义初始化与逆变换（26.02）、顺序行为选项（26.04）；实现位于 cpp/src/umap。
• t-SNE：0.9.0 加入；Barnes-Hut 与 FFT 两种实现（cpp/src/tsne）；25.06 起 cuml.accel 将 Barnes-Hut 映射到 FFT；26.08 修复 FFT 的随机种子确定性。

5.4 SVM / 线性模型 / 时间序列

• SVM：0.10.0 加入（PR #912）；后续支持稀疏输入（23.06）、预计算核（26.02）、CPU/GPU 互操作（25.04）；probability 参数逐步弃用；实现位于 cpp/src/svm。
• 线性模型：OLS/Ridge（0.5.0）、Lasso/ElasticNet（0.7.0）、LogisticRegression（0.8.0）、多目标 LinearRegression（22.12）、LSMR 求解器（26.06）、as_sklearn/from_sklearn（25.02）。
• 时间序列（cuml.tsa）：ARIMA（0.11）、季节性 ARIMA（0.13）、AutoARIMA（0.15）、Holt-Winters（0.9）；26.08 已整体弃用，python/cuml/cuml/tsa 保留实现并新增弃用提示。

---

六、cuml.accel：零代码改动加速的演进主线

cuml.accel 是 cuML 当前最重要的差异化能力之一，README 明确其定位："accelerates existing scikit-learn, UMAP, and HDBSCAN code without changing the Python code"。其演进脉络：

• 25.04：cuml.accel 作为独立模块成立（PR #6347），支持 UVM、CLI、环境变量启用；随后进入 Notebook/CLI 文档化（25.06/25.08 文档重构）。
• 25.06：新 Estimator Proxy 架构（ProxyBase/InteropMixin），为代理估计器奠定基座。
• 25.08/25.10：能力大幅扩张——LabelEncoder、LinearSVC/SVR、KernelRidge、SpectralEmbedding、TargetEncoder、metadata routing、set_output/get_feature_names_out、ONNX 支持、profiler、IPython magic、子进程传播。
• 26.04/26.06/26.08：新增 StandardScaler、MinMaxScaler、MaxAbsScaler、PolynomialFeatures、SpectralClustering、IncrementalPCA、LabelEncoder；支持代理估计器子类化；不支持的 PCA/KernelRidge 回退 CPU；日志级别 IPython magic；上游测试套件（sklearn nightly、UMAP、HDBSCAN 上游测试）纳入 CI。
• 当前实现集中在 python/cuml/cuml/accel（accelerator.py、core.py、estimator_proxy.py、magics.py、profilers.py、runners.py、pytest_plugin.py 等），配套文档见 docs/source/cuml-accel 与 docs/source/api/cuml.accel.rst，测试在 python/cuml/cuml_accel_tests。

---

七、平台、依赖与工程化演进

7.1 CUDA / Python / 核心依赖

从 CHANGELOG 与 docs/source/supported_versions.rst 交叉验证：

• CUDA：0.10 支持 CUDA 10.1；24.04 支持 12.2；25.12 起要求 CUDA 12.2+；25.08 移除 CUDA 11；25.10 引入 CUDA 13.0；26.06 支持 13.2；26.08 用 CUDA 13.3.0 构建 wheel。
• Python：23.06 放弃 3.8；24.10 放弃 3.9；25.06 支持 3.13；26.04 放弃 3.10 并支持 3.14。
• scikit-learn：最低版本从 1.4（25.06）→ 1.5（25.08）→ 1.6（26.06，PR #8091）；当前运行时依赖为 NumPy>=2、scikit-learn>=1.6、scipy>=1.14.0、numba、cupy（cupy-cuda12x/13x>=14.0.1）、treelite>=4.6.1；可选依赖 xgboost>=2.1.0、hdbscan、umap-learn、pynndescent。
• 构建体系：scikit-build（22.08）→ scikit-build-core（24.02）→ Python limited API（26.04）；CMake 最低版本一路上调（3.14 → 3.23.1 → 3.30.4 → 4.0）；wheel 与 conda 双通道发布，相关脚本见 ci/build_wheel_cuml.sh、ci/build_wheel_libcuml.sh、ci/build_cpp.sh、ci/build_python.sh。

7.2 测试与 CI

CHANGELOG 中大量条目涉及 CI 稳定性（xfail 管理、hypothesis 测试、上游测试套件、pytest-xdist、GPU 工作流），仓库中的实际支撑包括：ci/test_cpp.sh、ci/test_python_singlegpu.sh、ci/test_python_dask.sh、ci/test_python_sklearn_examples.sh、ci/run_cuml_accel_tests 系列，以及 python/cuml/tests 下超过 90 个 pytest 文件覆盖各算法模块。

7.3 数值与内存基建

• RMM/内存资源：从 PoolMemoryResource 包装、PrefetchResourceAdaptor、pinned_host_memory_resource 到 CCCL MR 设计（26.06），内存管理持续向 CCCL/RMM 上游对齐。
• 数值安全：26.08 引入 Safe Arithmetic（cpp/include/cuml/common/checked_arithmetic.hpp），与 26.04 的 FIL 整数溢出修复、25.12 的坐标下降溢出修复一脉相承。

---

八、如何利用本 CHANGELOG 指导实践

1. 升级决策：在 YY.MM 版本间升级前，重点检查 Breaking Changes 与 Deprecation 清单（如 26.08 的 cuml.tsa、convert_dtype、legacy output types），参考本文第二章的弃用清单逐一排查代码。
2. 功能寻址：需要某个算法的最新实现时，可按本文第五、六章给出的仓库路径直接定位源码（如 Isolation Forest 在 cpp/src/isolation_forest，cuml.accel 在 python/cuml/cuml/accel）。
3. 依赖对齐：严格遵循 docs/source/supported_versions.rst 的版本矩阵，保证 cuML 与 cuDF/cuVS/RAFT 的 YY.MM 完全一致，避免 ABI 与 API 错配。
4. 行为对齐预期：了解 cuML 与 scikit-learn 的行为对齐节奏（如 RF max_depth=None、KMeans random_state=None、predict dtype 标准化），降低迁移时的行为差异认知成本。

---

结语

从 2018 年 11 月仅有 PCA/TSVD/DBSCAN 的 cuML 0.1.0，到 2026 年 8 月覆盖聚类、线性模型、树模型、流形学习、时间序列、可解释性与零代码加速（cuml.accel）的 cuml 26.08.00，这份 CHANGELOG 完整记录了 NVIDIA cuML 作为 RAPIDS 生态核心库的成长路径。其演进主线清晰可辨：算法覆盖面持续扩展、API 向 scikit-learn 深度对齐、CPU/GPU 互操作与代理架构成熟化、底层数值与内存基建随 CCCL/RAFT/RMM 持续现代化。对开发者而言，这份变更记录既是升级手册，也是理解 GPU 机器学习库工程最佳实践的活教材。