MaxCompute：版本發布說明

功能描述

MaxFrame SDK 自 2.6 版本起，變更DataFrameGroupBy.mf.apply_chunk方法的行為，主要涉及 Index 參數簡化及 DPE 與 MaxCompute SQL 引擎間的行為統一。新行為通過prepend_index_group_keys參數控制，當前預設為False以保持相容，未來版本將切換為True。

• MaxFrame SDK 2.6之前版本

  MaxFrame DataFrameGroupBy.mf.apply_chunk需要在index參數中指定輸出DataFrame的完整Index形態，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欄位，其中year為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
  )

  與此同時，由於實現的問題，MaxFrame DPE引擎中使用者函數接受的列會包含group keys，而MaxCompute SQL引擎中使用者函數接受的列不包含group keys。

• MaxFrame SDK 2.6及之後版本

  上面的例子將被改寫為

  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參數填寫為True表示採用新行為。在此行為中，DPE與MaxCompute SQL引擎中函數接受的輸入DataFrame都將預設不包括group keys。與此同時，apply_chunk傳入的index參數僅表示使用者函數輸出的index類型而不是apply_chunk方法輸出對象的Index，與最終Index的關係取決於groupby函數的參數，具體如下：

  參數	group_keys=True（預設）	group_keys=False
  as_index=True（預設）	在使用者Index前追加輸入的分組列作為Index	不追加任何列為Index
  as_index=False	在使用者Index前追加Group ID作為Index（僅限DPE）

遷移方法：

為groupby.mf.apply_chunk調用增加prepend_index_group_keys=True參數，並執行下列更改：

1. 如果有index參數輸入，從中刪除group keys。例如，從pd.MultiIndex.from_tuples([(0, 0)], names=["year", None])改為pd.Index([0])。如果自訂函數中未更改Index類型，可以刪除index參數的定義；

2. 如果在MaxFrame DPE引擎中使用groupby.mf.apply_chunk，需要檢查自訂函數。如果函數中包含對分組列的引用，或者輸出中未濾出分組列，要手動在groupby後加入對分組列的引用，以避免該列從自訂函數輸入中被排除。例如，將df.groupby("col").mf.apply_chunk(func)更改為df.groupby("col")[list(df.dtypes.index)].mf.apply_chunk(func)。

功能描述

MaxFrame Coding Skill 正式發布，全面賦能 AI Agent 實現智能化 MaxFrame 作業開發。該技能套件支援 MaxFrame 會話管理、運算元推薦、代碼產生與互動式調試等核心能力，協助開發人員在 MaxFrame 上高效構建大規模資料處理流程。

通過 AI Agent 可自動完成從資料讀取、資料處理到結果寫入的端到端作業編排，結合 MaxFrame 順延強制與資源清理機制，確保作業穩定與效能最佳化。通過自然語言描述需求即可產生可運行代碼，顯著降低分布式資料處理門檻，真正實現 Data + AI 無縫融合的一站式開發體驗。

詳情參見：MaxFrame Coding Skill。

功能描述

• 新增支援阿里雲百鍊商業化大模型（qwen3-max、text-embedding-v4）。

• 提供按 Token 計費模式（隨用隨付），進一步降低大模型離線推理的使用門檻與成本。

無需關心模型部署與營運，只需通過簡單的 AI Function 介面即可調用百鍊平台豐富的模型資源，實現海量資料批量推理，同時結合 MaxFrame 海量資料分散式處理能力，完成 Data+AI 一站式開發。

詳情參見：MaxFrame AI Function。

功能描述

為滿足日益增長的多模態資料處理需求，MaxFrame 新增多模態資料處理運算元模組。本次新增內建圖片處理相關運算元，支援海量映像資料的分散式處理。

• 提供image.decode解碼運算元；

• 提供image.width、image.height、image.size、image.mode、image.format等屬性提取運算元；

• 支援一站式完成映像解碼、屬性擷取、尺寸過濾、縮放裁剪及格式轉換等操作。

無需搭建獨立的影像處理服務，即可在 MaxFrame DataFrame 中高效完成映像資料的清洗與預先處理工作。

功能描述

MaxFrame 新增本地偵錯模式（Local Debug Mode）。在傳統 MaxFrame UDF 開發流程中，調試apply()和apply_chunk()等函數時，需要將代碼提交到遠程叢集環境執行，且每次修改後需重新提交遠程運行。

本地偵錯模式具備以下優勢：

• 開啟本地偵錯模式後，MaxFrame UDF 函數支援在本地 Python 環境中直接執行。

• 支援 IDE 斷點調試，完全離線可用。

• 同一份代碼可在本地調試和叢集生產環境運行之間無縫切換。

詳情參見：MaxFrame 本地偵錯模式（Local Debug）。

功能描述

MaxFrame 現已支援在 DPE（分布式 Python 計算引擎）中使用使用者自訂鏡像，滿足特定依賴與運行環境需求。

使用者可通過配置項指定鏡像名稱，例如：{"odps.session.image": "maxframe_image_v1"}，即可在 MaxFrame 分散式運算環境中載入使用者預裝特定依賴的運行環境。該功能適用於需要使用使用者自訂鏡像環境，同時無需在每次任務執行時重複安裝依賴，顯著提升任務開發效率及使用靈活度。

詳情參見：自訂鏡像。

功能描述

MaxFrame 增強 OSS 資料掛載功能，現支援多 OSS Bucket 掛載與路徑首碼配置。通過使用@with_fs_mount裝飾器可以同時掛載多個 OSS Bucket 或同一 Bucket 的不同路徑首碼，靈活適配複雜的資料群組織結構。此外，新增cache_memory_limit參數，支援配置掛載點的記憶體緩衝上限，有效控制資源佔用，提升大規模檔案讀取情境下的效能與穩定性。

詳情參見：OSS掛載功能（邀測）。

功能描述

MaxFrame DPE 引擎新增對網路訪問白名單配置，用於控制 MaxFrame UDF 執行時的網路存取權限。

相關配置說明：

• substep.public_network_whitelist：公網訪問白名單，允許訪問外部公網服務（如 API、模型服務）。

• substep.internal_network_whitelist：內網訪問白名單，允許訪問阿里雲內網服務（如 OSS 內網 Endpoint）。

詳情參見：MaxFrame Flag配置指南。

支援地區

華東1（杭州）、華東2（上海）、華北2（北京）、華北6（烏蘭察布）、華南1（深圳）

發布時間

北京時間2025年12月30日。

功能描述

• MaxCompute 新增 AI 計算資源（GPU Units，簡稱GU）計算規格，支援購買獨立 GU 計算資源 Quota 組，可按具體規格需求進行購買、使用。官網公告：MaxCompute AI計算資源正式商業化。

• MaxFrame新增maxframe.udf.with_running_options介面，增加對GPU資源調度功能，為MaxFrame UDF（使用者自訂函數）提供了精細化的GPU資源管理能力。通過指定GU（GPU單元數）和gu_quota（GPU資源配額）參數，可以實現動態控制計算任務對GPU資源的使用比例和優先順序，實現異構計算資源的智能分配。

• 在典型應用情境中，該功能可應用於多模態資料預先處理等計算密集型作業。通過GPU加速，顯著縮短資料處理耗時，實現作業迭代效率的指數級提升。

詳情參考：購買與使用MaxCompute AI計算資源。

支援地區

華東1（杭州）、華東2（上海）、華北2（北京）、華北6（烏蘭察布）、華南1（深圳）

發布時間

北京時間2025年12月30日。

功能描述

• 模型整合：通過 MaxFrame AI Function 功能實現大模型與MaxCompute深度整合，提供開箱即用的Qwen 3系列、DeepSeek等主流模型及自訂模型託管能力，同時支援AI Function On GU版本，支援更多尺寸模型，提升離線推理效率。

• 介面整合：

  • 支援generate介面自訂Prompt模板，靈活完成大模型開發、調用任務；

  • 內建translate（翻譯）、extract（結構化抽取）、embedding（向量化）等預設任務介面，簡化常用大模型情境調用；

  • 依託MaxCompute彈性資源，實現離線高並發大模型推理。

• 結合DataFrame API與Python生態，使用者可以在MaxCompute實現資料清洗、處理、AI推理全流程一體化處理，降低大模型部署成本，滿足海量結構化、非結構化資料的離線處理需求，適用於多模態資料處理、大模型離線推理等典型情境。

詳情參考：MaxFrame AI Function。

支援地區

華東1（杭州）、華東2（上海）、華北2（北京）、華北6（烏蘭察布）、華南1（深圳）、西南1（成都）、中國香港、日本（東京）、新加坡、印尼（雅加達）、德國（法蘭克福）、美國（矽谷）、美國（維吉尼亞）、杭州金融雲。

發布時間

北京時間2025年12月30日。

功能描述

MaxFrame新增OSS掛載能力，實現OSSBucket與MaxCompute本地檔案系統的無縫映射。

可通過聲明式配置@with_fs_mount定義掛載路徑，以類POSIX 介面操作OSS 資料，規避傳統 SDK 開發模式的複雜編碼需求。

詳情參考：OSS掛載功能（邀測）。

支援地區

華東1（杭州）、華東2（上海）、華北2（北京）、華北6（烏蘭察布）、華南1（深圳）、西南1（成都）、中國香港、日本（東京）、新加坡、印尼（雅加達）、德國（法蘭克福）、美國（矽谷）、美國（維吉尼亞）、杭州金融雲。

發布時間

北京時間2025年12月30日。

功能描述

• 新增處理數值資料API：to_numeric

• 新增DataFrame GroupBy API

• 新增索引API：

  • Index.get_level_values

  • Index.to_series

• 新增MaxFrame擴充API：

  • 索引值收集：DataFrame.mf.collect_kv

  • 索引值提取：DataFrame.mf.extract_kv

  • 映射歸約：DataFrame.mf.map_reduce

  • 資料重新平衡：DataFrame.mf.rebalance

• 新增Sklearn評估指標API

• 新增MaxFrame tensor API：

• 覆蓋以下10大類數學運算：

  • 快速傅裡葉變換（FFT）

  • 索引操作（Indexing）

  • 線性代數（Linalg）

  • 資料操作（Manipulation）

  • 數學函數（Math）

  • 常規操作（Routines）

  • 排序演算法（Sorting）

  • 特殊函數（Special）

  • 統計計算（Statistics）

詳情參考：MaxFrame特有API。

支援地區

全部地區

發布時間

北京時間2025年7月17日。

功能描述

對整體作業允許小範圍的忽略和丟失，即使在作業失敗的情況下也可獲得已成功啟動並執行Fuxi Instances結果資料。

詳情參考：MaxFrame作業部分提交功能​。

支援地區

全部地區

發布時間

北京時間2025年7月17日。

功能描述

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

詳情參考：MaxFrame AI Function。

支援地區

全部地區

發布時間

北京時間2025年7月17日。

功能描述

支援通過Fuxi Sensor查看具體某一Worker的CPU及記憶體的實際消耗量。​

詳情參考：Fuxi Sensor