一句话看懂：Kubeflow 发布 Kale 2.0、Notebooks v2 及 Trainer 更新，并临近 CNCF 毕业。这意味着 Kubernetes 上的 AI 基础设施正走向更成熟的生产级形态，普通开发者用更少代码就能完成从实验到部署的流程。
事件核心：发生了什么
Kubeflow 项目近期密集更新多个组件，以增强 Kubernetes 上的分布式 AI 和高性能计算能力。最受关注的是 Kale 2.0 的发布，它支持将 Jupyter notebooks 转换为生产级管道，且无需编写 KFP SDK 代码，现已兼容 Kubeflow Pipelines v2 架构。同时，Kubeflow Notebooks v2 进入 Alpha 阶段，这是一个基于 CRD 驱动架构的重新设计，平台团队可以用模板化方式控制 JupyterLab 和 VS Code 等交互环境。
底层 SDK 新增了原生 Spark 支持，用户无需配置基础设施即可在 Kubernetes 上运行 Spark，统一了数据处理、管道编排及分布式训练的 Python 接口，并提供微调大语言模型的内置蓝图。新的 Kubeflow Trainer 则引入 MPI 支持，并正式与 Flux Framework 集成，允许在同一 Kubernetes 环境内协调大规模 HPC 模拟与 AI 训练任务。此外，核心组件也有调整：Model Registry 更名为 Hub，涵盖 Model Catalog 和 MCP Catalog；KServe 新增 LLMInferenceService CRD，使大模型服务成为一等平台原语。
为什么重要
这一系列更新表明 Kubeflow 正从实验工具向生产级 ML 生态系统过渡，赶在 CNCF 毕业之前补齐关键能力。Kale 2.0 降低了数据科学家采用 Kubeflow Pipelines 的门槛，而原生 Spark 支持意味着数据处理和 AI 训练可以在同一套基础设施上完成，减少运维负担。KServe 对 LLM 的原生支持及 OpenAI 兼容 API 的引入，则直接响应了企业部署大模型推理服务的需求。Kubernetes 和云原生技术正在成为生产环境 AI 的基础层，Subaru 通过 Kubernetes 和 Argo CD 将 30GB 以上 AI 容器镜像拉取时间从三小时缩短至三分钟的案例，就是一个可验证的佐证。
对用户/开发者/创作者的影响
对数据科学家而言，Kale 2.0 意味着可以在不编写底层代码的情况下完成管道迁移，实验到生产的转化速度会明显加快。对平台工程师来说，Notebooks v2 的声明式 CRD 架构与 Pod Security Standards Restricted 策略的兼容性，让多租户隔离和安全性更可控。对使用 Spark 进行数据处理或微调大模型的团队，新 SDK 减少了编写基础设施配置的精力。对需要部署大语言模型服务的团队，KServe 的 LLMInferenceService 和 OpenAI 兼容 API 可以在 Kubernetes 环境中简化分布式推理的接入。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
目前公开信息显示，Kubeflow Notebooks v2 仍处于 Alpha 阶段，正式发布的质量与稳定性值得持续观察。其次，Kale 2.0 对 KFP v2 架构的支持是否会吸引更多现有用户升级，以及 SDK 后续添加 OpenTelemetry 和 MLflow 跟踪功能后的可观测性表现，是判断其生命周管管理成熟度的指标。最后，Kubeflow 的 CNCF 毕业时间尚未公布，但组件更新节奏明显加快，毕业前的审核结果值得关注。
来源：InfoQ CN
