版本发布说明

功能描述

MaxFrame SDK 自 2.6 版本起，变更DataFrameGroupBy.mf.apply_chunk方法的行为，主要涉及 Index 参数简化及 DPE 与 MaxCompute SQL 引擎间的行为统一。新行为通过prepend_index_group_keys参数控制，当前默认为False以保持兼容，未来版本将切换为True。

• MaxFrame SDK 2.6之前版本

  MaxFrame DataFrameGroupBy.mf.apply_chunk需要在index参数中指定输出DataFrame的完整Index形态，例如

  def process(df):
      df = df.copy()
      df["total"] += 1
      return df
  
  # 2.5及之前的版本需要指定返回的所有字段，其中year为groupby中指定的group keys
  expect_index = pd.MultiIndex.from_tuples([(0, 0)], names=["year", None])
  
  md_result_df = md_df.groupby(["year"]).mf.apply_chunk(
      process,
      batch_rows=10,
      dtypes=result_dtypes,
      index=expect_index,
      output_type="dataframe",
      skip_infer=True
  )

  与此同时，由于实现的问题，MaxFrame DPE引擎中用户函数接受的列会包含group keys，而MaxCompute SQL引擎中用户函数接受的列不包含group keys。

• MaxFrame SDK 2.6及之后版本

  上面的例子将被改写为

  def process(df):
      df = df.copy()
      df["total"] += 1
      return df
      
  md_result_df = md_df.groupby(["year"]).mf.apply_chunk(
      process,
      batch_rows=10,
      dtypes=result_dtypes,
      skip_infer=True,
      prepend_index_group_keys=True,
  )

  其中，prepend_index_group_keys参数填写为True表示采用新行为。在此行为中，DPE与MaxCompute SQL引擎中函数接受的输入DataFrame都将默认不包括group keys。与此同时，apply_chunk传入的index参数仅表示用户函数输出的index类型而不是apply_chunk方法输出对象的Index，与最终Index的关系取决于groupby函数的参数，具体如下：

  参数	group_keys=True（默认）	group_keys=False
  as_index=True（默认）	在用户Index前追加输入的分组列作为Index	不追加任何列为Index
  as_index=False	在用户Index前追加Group ID作为Index（仅限DPE）

迁移方法：

为groupby.mf.apply_chunk调用增加prepend_index_group_keys=True参数，并执行下列更改：

1. 如果有index参数输入，从中删除group keys。例如，从pd.MultiIndex.from_tuples([(0, 0)], names=["year", None])改为pd.Index([0])。如果自定义函数中未更改Index类型，可以删除index参数的定义；

2. 如果在MaxFrame DPE引擎中使用groupby.mf.apply_chunk，需要检查自定义函数。如果函数中包含对分组列的引用，或者输出中未滤出分组列，要手动在groupby后加入对分组列的引用，以避免该列从自定义函数输入中被排除。例如，将df.groupby("col").mf.apply_chunk(func)更改为df.groupby("col")[list(df.dtypes.index)].mf.apply_chunk(func)。

功能描述

MaxFrame Coding Skill 正式发布，全面赋能 AI Agent 实现智能化 MaxFrame 作业开发。该技能套件支持 MaxFrame 会话管理、算子推荐、代码生成与交互式调试等核心能力，帮助开发者在 MaxFrame 上高效构建大规模数据处理流程。

通过 AI Agent 可自动完成从数据读取、数据处理到结果写入的端到端作业编排，结合 MaxFrame 延迟执行与资源清理机制，确保作业稳定与性能优化。通过自然语言描述需求即可生成可运行代码，显著降低分布式数据处理门槛，真正实现 Data + AI 无缝融合的一站式开发体验。

详情参见：MaxFrame Coding Skill。

功能描述

• 新增支持阿里云百炼商业化大模型（qwen3-max、text-embedding-v4）。

• 提供按 Token 计费模式（按量付费），进一步降低大模型离线推理的使用门槛与成本。

无需关心模型部署与运维，只需通过简单的 AI Function 接口即可调用百炼平台丰富的模型资源，实现海量数据批量推理，同时结合 MaxFrame 海量数据分布式处理能力，完成 Data+AI 一站式开发。

详情参见：MaxFrame AI Function。

功能描述

为满足日益增长的多模态数据处理需求，MaxFrame 新增多模态数据处理算子模块。本次新增内置图片处理相关算子，支持海量图像数据的分布式处理。

• 提供image.decode解码算子；

• 提供image.width、image.height、image.size、image.mode、image.format等属性提取算子；

• 支持一站式完成图像解码、属性获取、尺寸过滤、缩放裁剪及格式转换等操作。

无需搭建独立的图像处理服务，即可在 MaxFrame DataFrame 中高效完成图像数据的清洗与预处理工作。

功能描述

MaxFrame 新增本地调试模式（Local Debug Mode）。在传统 MaxFrame UDF 开发流程中，调试apply()和apply_chunk()等函数时，需要将代码提交到远程集群环境执行，且每次修改后需重新提交远程运行。

本地调试模式具备以下优势：

• 开启本地调试模式后，MaxFrame UDF 函数支持在本地 Python 环境中直接执行。

• 支持 IDE 断点调试，完全离线可用。

• 同一份代码可在本地调试和集群生产环境运行之间无缝切换。

详情参见：MaxFrame 本地调试模式（Local Debug）。

功能描述

MaxFrame 现已支持在 DPE（分布式 Python 计算引擎）中使用用户自定义镜像，满足特定依赖与运行环境需求。

用户可通过配置项指定镜像名称，例如：{"odps.session.image": "maxframe_image_v1"}，即可在 MaxFrame 分布式计算环境中加载用户预装特定依赖的运行环境。该功能适用于需要使用用户自定义镜像环境，同时无需在每次任务执行时重复安装依赖，显著提升任务开发效率及使用灵活度。

详情参见：自定义镜像。

功能描述

MaxFrame 增强 OSS 数据挂载功能，现支持多 OSS Bucket 挂载与路径前缀配置。通过使用@with_fs_mount装饰器可以同时挂载多个 OSS Bucket 或同一 Bucket 的不同路径前缀，灵活适配复杂的数据组织结构。此外，新增cache_memory_limit参数，支持配置挂载点的内存缓存上限，有效控制资源占用，提升大规模文件读取场景下的性能与稳定性。

详情参见：OSS挂载功能（邀测）。

功能描述

MaxFrame DPE 引擎新增对网络访问白名单配置，用于控制 MaxFrame UDF 执行时的网络访问权限。

相关配置说明：

• substep.public_network_whitelist：公网访问白名单，允许访问外部公网服务（如 API、模型服务）。

• substep.internal_network_whitelist：内网访问白名单，允许访问阿里云内网服务（如 OSS 内网 Endpoint）。

详情参见：MaxFrame Flag配置指南。

支持地域

华东1（杭州）、华东2（上海）、华北2（北京）、华北6（乌兰察布）、华南1（深圳）

发布时间

北京时间2025年12月30日。

功能描述

• MaxCompute 新增 AI 计算资源（GPU Units，简称GU）计算规格，支持购买独立 GU 计算资源 Quota 组，可按具体规格需求进行购买、使用。官网公告：MaxCompute AI计算资源正式商业化。

• MaxFrame新增maxframe.udf.with_running_options接口，增加对GPU资源调度功能，为MaxFrame UDF（用户自定义函数）提供了精细化的GPU资源管理能力。通过指定GU（GPU单元数）和gu_quota（GPU资源配额）参数，可以实现动态控制计算任务对GPU资源的使用比例和优先级，实现异构计算资源的智能分配。

• 在典型应用场景中，该功能可应用于多模态数据预处理等计算密集型作业。通过GPU加速，显著缩短数据处理耗时，实现作业迭代效率的指数级提升。

详情参考：购买与使用MaxCompute AI计算资源。

支持地域

华东1（杭州）、华东2（上海）、华北2（北京）、华北6（乌兰察布）、华南1（深圳）

发布时间

北京时间2025年12月30日。

功能描述

• 模型集成：通过 MaxFrame AI Function 功能实现大模型与MaxCompute深度集成，提供开箱即用的Qwen 3系列、DeepSeek等主流模型及自定义模型托管能力，同时支持AI Function On GU版本，支持更多尺寸模型，提升离线推理效率。

• 接口整合：

  • 支持generate接口自定义Prompt模板，灵活完成大模型开发、调用任务；

  • 内置translate（翻译）、extract（结构化抽取）、embedding（向量化）等预设任务接口，简化常用大模型场景调用；

  • 依托MaxCompute弹性资源，实现离线高并发大模型推理。

• 结合DataFrame API与Python生态，用户可以在MaxCompute实现数据清洗、处理、AI推理全流程一体化处理，降低大模型部署成本，满足海量结构化、非结构化数据的离线处理需求，适用于多模态数据处理、大模型离线推理等典型场景。

详情参考：MaxFrame AI Function。

支持地域

华东1（杭州）、华东2（上海）、华北2（北京）、华北6（乌兰察布）、华南1（深圳）、西南1（成都）、中国香港、日本（东京）、新加坡、印度尼西亚（雅加达）、德国（法兰克福）、美国（硅谷）、美国（弗吉尼亚）、杭州金融云。

发布时间

北京时间2025年12月30日。

功能描述

MaxFrame新增OSS挂载能力，实现OSSBucket与MaxCompute本地文件系统的无缝映射。

可通过声明式配置@with_fs_mount定义挂载路径，以类POSIX 接口操作OSS 数据，规避传统 SDK 开发模式的复杂编码需求。

详情参考：OSS挂载功能（邀测）。

支持地域

华东1（杭州）、华东2（上海）、华北2（北京）、华北6（乌兰察布）、华南1（深圳）、西南1（成都）、中国香港、日本（东京）、新加坡、印度尼西亚（雅加达）、德国（法兰克福）、美国（硅谷）、美国（弗吉尼亚）、杭州金融云。

发布时间

北京时间2025年12月30日。

功能描述

• 新增处理数值数据API：to_numeric

• 新增DataFrame GroupBy API

• 新增索引API：

  • Index.get_level_values

  • Index.to_series

• 新增MaxFrame扩展API：

  • 键值收集：DataFrame.mf.collect_kv

  • 键值提取：DataFrame.mf.extract_kv

  • 映射归约：DataFrame.mf.map_reduce

  • 数据再平衡：DataFrame.mf.rebalance

• 新增Sklearn评估指标API

• 新增MaxFrame tensor API：

• 覆盖以下10大类数学运算：

  • 快速傅里叶变换（FFT）

  • 索引操作（Indexing）

  • 线性代数（Linalg）

  • 数据操作（Manipulation）

  • 数学函数（Math）

  • 常规操作（Routines）

  • 排序算法（Sorting）

  • 特殊函数（Special）

  • 统计计算（Statistics）

详情参考：MaxFrame特有API。

支持地域

全部地域

发布时间

北京时间2025年7月17日。

功能描述

对整体作业允许小范围的忽略和丢失，即使在作业失败的情况下也可获得已成功运行的Fuxi Instances结果数据。

详情参考：MaxFrame作业部分提交功能​。

支持地域

全部地域

发布时间

北京时间2025年7月17日。

功能描述

MaxFrame AI Function新增内置Qwen 3系列模型，Qwen3-0.6B～Qwen3-14B。​

详情参考：MaxFrame AI Function。

支持地域

全部地域

发布时间

北京时间2025年7月17日。

功能描述

支持通过Fuxi Sensor查看具体某一Worker的CPU及内存的实际消耗量。​

详情参考：Fuxi Sensor