
Kubeflow está a punto de ponerse la toga: el proyecto está avanzando rápido hacia su graduación en la CNCF, y para demostrar que está a la altura acaba de renovar prácticamente todo su stack. InfoQ hizo un resumen completo y acá va lo importante.
Kale 2.0: del notebook al pipeline sin escribir SDK
La joya de la actualización. Kale convierte Jupyter notebooks anotados en pipelines listos para producción sin escribir una línea del SDK de Kubeflow Pipelines. La versión 2.0 ahora soporta la arquitectura de Kubeflow Pipelines v2, acortando de forma brutal el camino entre experimentación y producción. Los data scientists ya no tienen excusa para dejar sus notebooks tirados.
Notebooks v2: rediseño total con CRDs
Los notebooks se reescribieron desde cero con una arquitectura declarativa basada en CRDs. La idea: que los platform teams tengan control con templates sobre entornos interactivos tipo JupyterLab o VS Code corriendo en Kubernetes. Hay una alpha disponible para ir probando antes del GA.
Trainer: entrenar IA y correr HPC en el mismo cluster
El nuevo Kubeflow Trainer unifica entrenamiento distribuido de IA y workloads HPC con soporte MPI. Lo más destacado: la integración oficial con el Flux Framework, que permite correr simulaciones HPC masivas junto a jobs de entrenamiento en un mismo cluster Kubernetes, coordinados vía PMIx (Process Management Interface Exascale). HPC cloud native dejando de ser oxímoron.
SDK con Spark nativo y Hub (ex-Model Registry)
- El SDK ahora trae soporte nativo para Spark en Kubernetes sin configuración de infraestructura, además de blueprints integrados para fine-tuning de LLMs. En el roadmap: instrumentación con OpenTelemetry y tracking con MLflow.
- El Model Registry fue renombrado a Hub, ampliando su alcance con un Model Catalog y un MCP Catalog para buscar y desplegar servidores MCP, usando OCI como estándar de almacenamiento.
KServe le da categoría de primera clase a los LLMs
KServe estrenó el CRD LLMInferenceService, convirtiendo el serving de modelos de lenguaje en una primitiva de plataforma nativa: soporta inferencia distribuida multi-nodo y expone APIs compatibles con OpenAI.
Community Distribution 26.03
Validada oficialmente para Kubernetes 1.34+, con defaults multi-tenant más estrictos y compatibilidad con Pod Security Standards Restricted.
El dato curioso
Subaru ganó un concurso de case studies de la CNCF usando Kubernetes + Argo CD para bajar el tiempo de pull de imágenes de contenedores de IA de más de 30 GB: de 3 horas a 3 minutos. Cuando la comunidad dice que K8s es la base de la IA en producción, no está bromean.
Update: 19 de agosto — Oficial: la CNCF graduó Kubeflow
Se cayó la toga. La CNCF anunció la graduación de Kubeflow, su máxima designación de madurez, confirmando lo que veníamos siguiendo en este post. La ceremonia viene con números de contexto que explican por qué ahora:
- ~260 millones de descargas de sus paquetes Python en PyPI
- Más de 6.600 contribuidores de +1.000 organizaciones, y 33.000+ estrellas en GitHub
- NVIDIA, Red Hat, Spotify y Bloomberg entre los usuarios de sus subproyectos
- Superó una auditoría de seguridad independiente y formalizó su steering committee, requisitos obligatorios de la graduación
El timing no es casual: con la IA enterprise saliendo de la etapa experimental, las empresas necesitan operar modelos de forma confiable a escala, y Kubeflow les ofrece el ciclo completo (datos, entrenamiento, fine-tuning, inferencia, serving) sobre Kubernetes sin amarrarse a un vendor. El roadmap post-graduación apunta justo a lo más caro de la IA: orquestación de LLMs, post-training, data engineering avanzado y agentes.
Para los platform teams que venían postergando la decisión: graduación = señal de longevidad y gobernanza. El stack Kale 2.0 + Notebooks v2 + Trainer + KServe que revisamos arriba ya no es apuesta, es infraestructura con sello CNCF.
Fuente del update: Cloud Native Now


