O que é MLflow?
O MLflow surgiu em 2018 como a ferramenta de código aberto da Databricks para a contabilidade do machine learning: o rastreamento de experimentos registra os parâmetros, as métricas e os arquivos de cada execução de treino, e o registro de modelos versiona os modelos resultantes para implantação. Desde a linha 3.x ele também cobre aplicações LLM. O tracing registra cada chamada de modelo, cada recuperação e cada chamada de ferramenta como spans, com autologging de uma linha para OpenAI, Anthropic, LangChain, LlamaIndex, DSPy e outros, e aceita dados OpenTelemetry. mlflow.genai.evaluate pontua um app contra um dataset com juízes LLM embutidos ou com seus próprios scorers, um registro de prompts guarda versões imutáveis com aliases móveis e um AI Gateway roteia requisições entre provedores de modelos.
Todo o repositório está sob Apache-2.0, sem pasta com licença comercial, e a versão 3.17.2 saiu em 21 de outubro de 2026. O pacote Python exige Python 3.10 ou posterior; há clientes TypeScript e Java para tracing.
Hospedar por conta própria é grátis. MLflow gerenciado é oferecido por Databricks, AWS SageMaker, Azure ML, Nebius e GCP. A Databricks não publica um preço separado: o MLflow vem com um workspace, cobrado pela computação que usa, e a Free Edition é só para uso pessoal e não comercial.
MLflow vale a pena?
O MLflow é o sistema único sensato para uma equipe que treina os próprios modelos e também lança recursos com LLM: um só servidor Apache-2.0 guarda execuções de treino, modelos registrados, traces de agentes, resultados de avaliação e versões de prompts, e nenhum recurso do código fica atrás de licença paga. Ele tem cerca de 28.600 estrelas no GitHub, lançou a v3.17.2 em 21 de outubro de 2026, e o README afirma mais de 60 milhões de downloads por mês.
A parte de LLM já é completa o bastante para se sustentar sozinha. O tracing é uma linha por biblioteca, como mlflow.openai.autolog(), e a documentação diz que o pacote separado mlflow-tracing é 95% menor para serviços em produção. A avaliação passa um dataset pelo seu app e o pontua com juízes embutidos como Correctness e Guidelines ou com funções Python simples com @scorer, e o feedback de revisores fica guardado no próprio trace. Comparado ao Langfuse, o peso operacional é menor: o MLflow começa num arquivo SQLite (o padrão desde a 3.7.0) e cresce para PostgreSQL mais armazenamento S3, GCS ou Azure Blob, enquanto a versão de produção do Langfuse precisa de ClickHouse, Postgres, Redis e armazenamento de objetos. O Langfuse é a ferramenta de LLM mais focada, com um app web em TypeScript e preços de nuvem publicados; o centro de gravidade do MLflow continua sendo Python.
O ponto fraco é a segurança padrão. O mlflow server não pede login a menos que seja iniciado com --app-name basic-auth, e os alertas de segurança de 2026 se concentram exatamente nessa configuração: em outubro, uma execução remota de código crítica e uma leitura arbitrária de arquivos de gravidade alta em servidores sem autenticação, ambas corrigidas na 3.17.0. Versões antigas vinham com a senha de administrador password1234, que agora é recusada. A telemetria anônima de uso fica ligada por padrão desde a 3.2.0; ela exclui parâmetros, nomes de arquivo e conteúdo de modelos, e MLFLOW_DISABLE_TELEMETRY=true ou DO_NOT_TRACK=true a desliga.
As atualizações também pedem cuidado. A versão 3.17.0 exige parar todos os processos que escrevem, fazer backup e rodar mlflow db upgrade, sem atualização gradual com versões misturadas. É o preço de ser dono do banco de dados, e também a razão de sê-lo.
O Weights & Biases continua sendo o serviço hospedado mais caprichado para painéis de experimentos, e sua camada de LLM, o Weave, cobra por volume de dados: o Pro começa em US$ 60 por mês com 1,5 GB, depois US$ 0,10 por MB. O MLflow custa o preço de um servidor pequeno e uma instância Postgres, e o histórico de execuções fica em tabelas que você mesmo pode copiar e consultar, o que importa mais para a maioria das equipes do que um gráfico mais bonito.
Onde ele se destaca
Uma equipe de ciência de dados de quatro pessoas num varejista que treina modelos de previsão de demanda
Comparar centenas de execuções de treino e levar o modelo vencedor para produção
Cada execução registra parâmetros, métricas e o arquivo do modelo num servidor MLflow compartilhado; o registro versiona os modelos e um alias marca o que está em produção. O único custo é o servidor, um banco PostgreSQL e um bucket S3.
Um engenheiro de plataforma num banco que adiciona um assistente LLM a uma stack de ML existente
Fazer tracing e avaliar o assistente sem comprar um produto de observabilidade separado
O autologging e o pacote mlflow-tracing enviam spans ao servidor MLflow que a equipe de ML já opera; mlflow.genai.evaluate pontua cada versão contra um conjunto de testes. Antes de entrar em produção, ative basic-auth ou SSO e atualize para a 3.17.0 ou posterior para fechar os alertas de outubro de 2026.
Uma líder de analytics numa empresa que já usa Databricks
Dar aos analistas experimentos rastreados e modelos governados sem operar servidores
O MLflow gerenciado vem embutido no workspace e ligado ao Unity Catalog e ao Model Serving, sem tarifa separada de MLflow; a conta é a computação da Databricks usada pelos jobs, que a Databricks não publica como preço de MLflow.
Antes de decidir
- Configuração
- uvx mlflow server sobe um servidor local na porta 5000 com SQLite; em produção usa-se o pacote Docker Compose (MLflow, PostgreSQL e RustFS) ou o chart Helm oficial.
- Integrações
- SDKs para Python, TypeScript e Java; autologging para OpenAI, Anthropic, LangChain, LlamaIndex, DSPy, Pydantic AI e Vercel AI; ingestão e exportação OpenTelemetry; armazenamento de artefatos em S3, GCS ou Azure Blob; versões gerenciadas em Databricks, SageMaker, Azure ML, Nebius e GCP.
- Dados e privacidade
- Execuções, traces e prompts ficam no seu próprio banco de dados e armazenamento de objetos. A telemetria anônima de uso para mlflow-telemetry.io fica ligada por padrão desde a 3.2.0 e exclui parâmetros, nomes de arquivo e conteúdo de modelos; MLFLOW_DISABLE_TELEMETRY=true ou DO_NOT_TRACK=true a desliga. Nove alertas desde julho de 2026, quatro de gravidade alta ou crítica.
- Custo em escala
- Auto-hospedar custa um servidor de aplicação, um banco PostgreSQL e armazenamento de objetos; a documentação não publica dimensionamento. A Databricks não cobra tarifa separada de MLflow e fatura a computação do workspace; a Free Edition exclui uso comercial.
- Limites
- Cerca de 2.225 issues e pull requests abertos. O basic-auth não limita tentativas de login e só permite sair fechando o navegador; proteções de rede como --allowed-hosts só funcionam no servidor uvicorn padrão, não com --gunicorn-opts nem --waitress-opts.
O que é bom
- Rastreamento de experimentos, registro de modelos, tracing de LLM, avaliação e prompts num só servidor Apache-2.0
- Nenhum recurso com licença comercial no código
- Começa no SQLite; cresce para PostgreSQL e S3, GCS ou Azure Blob
- Tracing compatível com OpenTelemetry e autologging de uma linha para as principais bibliotecas de LLM
O que não é
- O servidor roda sem autenticação a menos que basic-auth ou SSO esteja configurado
- Nove alertas de segurança publicados desde julho de 2026, incluindo uma RCE crítica em servidores sem autenticação
- Telemetria anônima ligada por padrão
- Atualizações de esquema exigem parada; sem atualizações graduais com versões misturadas
Ideal para
Equipes de Python que treinam modelos e criam recursos com LLM e querem um único sistema de registro, gratuito e auto-hospedado, para os dois.
Alternativas ao MLflow
MLflow: perguntas frequentes
- MLflow vale a pena?
- Continua sendo o lugar padrão para registrar experimentos de ML, agora com tracing e avaliação de LLM de graça; proteja o servidor antes que qualquer outra pessoa consiga acessá-lo. Damos nota 4.4 de 5.
- Quanto custa MLflow?
- Grátis e de código aberto sob Apache-2.0; você paga só o servidor, o banco de dados e o armazenamento de objetos. O MLflow gerenciado na Databricks não tem preço de tabela próprio e é cobrado pela computação da Databricks; a Free Edition é só para uso pessoal.
- Quais são as desvantagens de MLflow?
- O servidor roda sem autenticação a menos que basic-auth ou SSO esteja configurado; nove alertas de segurança publicados desde julho de 2026, incluindo uma RCE crítica em servidores sem autenticação; telemetria anônima ligada por padrão; atualizações de esquema exigem parada; sem atualizações graduais com versões misturadas.
- Para quem MLflow é indicado?
- Equipes de Python que treinam modelos e criam recursos com LLM e querem um único sistema de registro, gratuito e auto-hospedado, para os dois.
- Quanto custa MLflow para uma equipe ou em produção?
- Auto-hospedar custa um servidor de aplicação, um banco PostgreSQL e armazenamento de objetos; a documentação não publica dimensionamento. A Databricks não cobra tarifa separada de MLflow e fatura a computação do workspace; a Free Edition exclui uso comercial.
- MLflow é seguro para dados da empresa?
- Execuções, traces e prompts ficam no seu próprio banco de dados e armazenamento de objetos. A telemetria anônima de uso para mlflow-telemetry.io fica ligada por padrão desde a 3.2.0 e exclui parâmetros, nomes de arquivo e conteúdo de modelos; MLFLOW_DISABLE_TELEMETRY=true ou DO_NOT_TRACK=true a desliga. Nove alertas desde julho de 2026, quatro de gravidade alta ou crítica.
- Quais são as melhores alternativas ao MLflow?
- As alternativas mais próximas que analisamos são Langfuse, W&B Weave, Arize Phoenix e Opik.
Respostas verificadas em 1 de nov. de 2026.