在记录模型时，MLflow版本为1.24，但在Databrick中将其用作API时，将为其创建一个新环境。此新环境将安装MLflow的2.0+版本。如错误消息所示，您可以指定MLflow版本或更新请求格式。
如果使用的是Classic Model Serving，则应指定版本;如果使用的是Serverless Model Serving，则应更新请求格式。如果必须使用Classic Model Serving且不想升级，请滚动到底部。

指定MLflow版本

在记录模型时，您可以指定一个新的Conda环境，或者添加额外的pip需求，这些需求将在模型运行时使用。

• • 吹号**

# log model with mlflow==1.* specified 
mlflow.<flavor>.log_model(..., extra_pip_requirements=["mlflow==1.*"])

• • 孔达**

# get default conda env
conda_env = mlflow.<flavor>.get_default_conda_env()
print(conda_env)

# specify mlflow==1.*
conda_env = {
    "channels": ["conda-forge"],
    "dependencies": [
        "python=3.9.5",
        "pip<=21.2.4",
        {"pip": ["mlflow==1.*", "cloudpickle==2.0.0"]},
    ],
    "name": "mlflow-env",
}

# log model with new conda_env
mlflow.<flavor>.log_model(..., conda_env=conda_env)

更新请求

另一种方法是更新JSON请求格式，但这仅在使用Databrick的Serverless时有效。
在错误消息末尾的MLflow docs链接中，您可以看到所有格式，根据您提供的数据，我建议使用dataframe_split或dataframe_records。
一个二个一个一个

采用MLflow 2.0+的经典型号

如果您使用经典模型服务，不想指定MLflow版本，并且想使用UI进行推理，请不要在记录模型时记录input_example。我知道这不符合MLflow的"最佳实践"，但由于一些调查，我相信在您这样做时，数据块存在问题。
当您记录input_example时，MLFlow会记录有关示例的信息，包括type和pandas_orient。此信息用于生成推理配方。正如您在生成的curl命令中看到的，它设置format=pandas-records（不生成JSON）。但这会返回 * Unrecognized content type ... * 错误。

curl \
  -u token:$DATABRICKS_TOKEN \
  -X POST \
  -H "Content-Type: application/json; format=pandas-records" \
  -d '{
    "dataframe_split": {
        "columns": ["input1", "input2", "input3"],
        "data": [[12, 290, 3]]
    }
  }' \
  https://<url>/model/<model>/<version>/invocations

对我来说，当我完全删除format=pandas-records时，一切都按预期运行。因此，我相信如果您记录一个示例并使用UI，那么Databricks会为您将此格式添加到请求中。这会导致错误，即使您正确地执行了所有操作。而在无服务器模式下，生成的curl根本不包含此参数。