NVIDIA veröffentlicht Tabellen-Grundmodell Kumo Tabular mit offenen Gewichten: Vorhersage ohne Training in einem einzigen Vorwärtsdurchlauf, laut Blog Platz eins in vier Benchmarks
Laut einem offiziellen NVIDIA-Blogbeitrag vom 29. September 2026 veröffentlicht NVIDIA das Tabellen-Grundmodell Kumo Tabular in drei Größen von 28 bis 215 Millionen Parametern, unter der Lizenz OpenMDW-1.1 auf Hugging Face. Ohne Training und Feature-Engineering erledigt ein einzelner Vorwärtsdurchlauf Klassifikation und Regression; der Blog reklamiert Platz eins in vier Benchmarks wie TabArena.
Was sich geändert hat
Laut einem am 29. September 2026 veröffentlichten offiziellen NVIDIA-Blogbeitrag hat NVIDIA das Tabellen-Grundmodell Kumo Tabular veröffentlicht, das zur Modellfamilie Kumo Structured gehört; die Gewichte sind auf Hugging Face verfügbar, der begleitende Code wird über eine Open-Source-Bibliothek für strukturierte Daten bereitgestellt. Das Modell wird vollständig auf künstlich erzeugten Tabellen vortrainiert: Jede Trainingstabelle wird aus einem strukturellen Kausalmodell gezogen, wobei ein zufälliger kausaler Graph und zufällig gezogene Funktionen numerische Spalten, kategoriale Spalten und die Zielvariable erzeugen, während die übrigen Knoten verborgen bleiben; anschließend folgen Nachbearbeitungen wie Spaltenkorrelation, Ausreißer-Trunkierung und Injizierung fehlender Werte, und mit einem Baumensemble werden Tabellen ohne lernbares Signal aussortiert. Die Architektur ist ein auf Tabellenstrukturen ausgerichteter Transformer mit Spalten-, Zeilen- und Kontext-Attention; numerische und kategoriale Werte werden über Fourier-Feature-Einbettungen kodiert, fehlende Werte werden nicht imputiert; Kontextzeilen beachten einander, die Abfragezeile beachtet nur die Kontextzeilen, sodass Kontext-Schlüssel-Wert-Paare einmal berechnet und wiederverwendet werden können; zudem kommt eine längensensitive Attention-Temperatur hinzu, die jede Abfrage logarithmisch mit der Anzahl der Schlüssel skaliert, um die Attention bei großen Tabellen mit Zehntausenden Zeilen scharf zu halten. Das Modell gibt es in den Stufen Small/Medium/Large mit etwa 28 bis 215 Millionen Parametern; Klassifikation und Regression werden als zwei unabhängige Modelle trainiert, mit Kreuzentropie- bzw. Quantilverlust, wobei die Regression 999 Quantile ausgibt, um Punktvorhersagen und Unsicherheitsschätzungen zu liefern. Der Blog nennt Platz eins in TabArena mit einer ELO von 1950 und in einer einheitlichen Evaluierungsumgebung mit einer einzelnen RTX 6000 Pro eine 17-fache Beschleunigung gegenüber LimiX-2; in BeyondArena 1418 ELO und einen Improvability-Score von 7,78 % sowie Platz eins; in TALENT Platz eins in der kombinierten Wertung aus Klassifikationsgenauigkeit, Klassifikations-Log-Loss und Regressions-RMSE; in ScoringBench Platz eins und zwei für Large bzw. Medium. Der Blog weist zugleich darauf hin, dass das Modell nur numerische und kategoriale Spalten unterstützt und ein einzelner Vorwärtsdurchlauf höchstens 10 Klassen abdeckt; mehr Klassen werden über Error-Correcting-Output-Codes der Bibliothek erweitert.
Auswirkungen für Entwickler
Die unmittelbare Folge für Entwickler ist eine veränderte Herangehensweise an Tabellenmodellierung: Kumo Tabular hat keine REST-Inferenzschnittstelle, sondern wird in einer Python-Umgebung über eine neue GPU-native Bibliothek aufgerufen; beim ersten Lauf werden die Gewichte vom Hub heruntergeladen, die Eingabe besteht aus gelabelten Kontextzeilen plus den vorherzusagenden Abfragezeilen, ohne Gewichtsaktualisierung, Feature-Engineering oder Hyperparametersuche. Wenn die Blogangaben zutreffen, sind zuerst Szenarien betroffen, in denen Labels knapp sind und schnell eine Baseline benötigt wird, etwa Churn-Vorhersage, Bedarfsprognose und Risikobewertung, denn eingespart wird die gesamte Trainingspipeline und nicht nur Trainingszeit. Laut Blog hängt die Vorhersage nur vom Kontext und der jeweiligen Abfragezeile ab, nicht von anderen Abfragezeilen derselben Charge; das bedeutet, Kontext-Schlüssel-Wert-Paare lassen sich zwischenspeichern und bei fortlaufender Bewertung nur einmal berechnen; es bedeutet aber auch, dass Qualität und Abdeckung des Kontexts die Ausgabe direkt bestimmen, und falsch gewählte Kontextzeilen sind schwerer zu bemerken als falsch gewählte Hyperparameter. Zu beachten: Das Modell erscheint nicht im aktuellen Online-Katalog von KimiSeek, ist also nicht über die API dieser Seite aufrufbar und nur lokal oder über einen selbst betriebenen GPU-Dienst einsetzbar; die Angaben im Blog wie 17-fache Geschwindigkeit und 1950 ELO sind Herstellerangaben, das Evaluierungsprotokoll und die Datenaufteilung werden im Text nicht im Detail beschrieben und lassen sich nicht ohne Weiteres auf konkrete Geschäftsdaten übertragen; OpenMDW-1.1 ist eine Lizenz, und offene Gewichte bedeuten nicht automatisch kommerzielle Nutzbarkeit, die konkreten Bedingungen sind selbst zu prüfen. Kumo Tabular sollte als ergänzender Kandidat und nicht als bedingungsloser Ersatz für bestehende Gradient-Boosting-Bäume gelten: Bei kleinen und mittleren Tabellen, ausreichend gelabelten Zeilen und überwiegend numerischen und kategorialen Spalten ist ein kontrolliertes Vergleichsexperiment der sicherere Weg.
Integration und Bewertung
Die folgenden Empfehlungen sind konditional und keine vom Hersteller bestätigten Schlussfolgerungen. Erstens, ob ein lokaler GPU-Inferenzpfad aufgebaut wird: Die festzustellende berichtete Tatsache ist, dass das Modell als Gewichte über eine Open-Source-Bibliothek lokal läuft und eine GPU-Umgebung voraussetzt. Zu treffen ist die Entscheidung, ob ein lokaler Inferenzweg hinzugefügt oder weiter mit vorhandenen, aufgabenspezifisch trainierten Baummodellen gearbeitet wird; die entscheidende Voraussetzung, die die Wahl ändert, ist, ob das Team bereits nutzbare GPUs hat und ob es genügend Tabellenaufgaben mit hohen Kosten für aufgabenspezifisches Training gibt; das messbare Kriterium ist ein Vergleich von Genauigkeit oder Regressionsfehler auf einem eigenen Holdout-Set bei gleichzeitiger Erfassung von Inferenzlatenz und Speicherbedarf; bringt lokale Inferenz keinen Genauigkeitsvorteil und ist die Latenz nicht akzeptabel, lohnt es sich nicht, dafür einen neuen Pfad zu unterhalten. Zweitens, die Wahl der Anzahl von Kontextzeilen: Berichtete Tatsache ist, dass in der dritten Trainingsphase der Kontext auf 60000 Zeilen erweitert und eigens eine längensensitive Attention-Temperatur entwickelt wurde. Zu treffen ist die Entscheidung, wie viele Kontextzeilen pro Vorhersage eingesetzt werden; Voraussetzung sind Tabellengröße und Latenzbudget, denn je größer der Kontext, desto höher der Speicher- und Zeitaufwand; das Bewertungskriterium ist ein festes Abfrageset, auf dem Genauigkeit und Latenz mit einigen Hundert, einigen Tausend und Zehntausenden Kontextzeilen gemessen werden, um zu sehen, ob die Genauigkeit mit dem Kontext steigt und die Latenzkurve akzeptabel bleibt; sättigt die Genauigkeit früh, verschwendet weiterer Kontext nur Speicher. Drittens, die Einsatzgrenze bei Verteilungsdrift: Berichtete Tatsache ist der Bloghinweis, dass die Genauigkeit sinken kann, wenn Abfrage- und Kontextzeilen unterschiedlich verteilt sind oder die Tabelle weit über den Trainingsbereich hinausgeht. Zu treffen ist die Entscheidung, das Modell in kontrollierten Aufgaben mit gleichartiger Verteilung einzusetzen oder in offenen Verteilungen über Zeiträume und Kanäle hinweg; Voraussetzung ist, ob ein Pool von Kontextstichproben nahe am Produktivbetrieb aufgebaut und gepflegt werden kann; das Bewertungskriterium ist ein Holdout-Set, das deutlich von der Trainingsverteilung abweicht, um zu beobachten, ob Fehler und die vom Modell ausgegebenen Quantilintervalle zugleich größer werden und die Kalibrierung noch gilt; sind die Intervalle unzuverlässig, sollte auf ein überwachtes Modell zurückgegangen oder der Einsatzbereich verkleinert werden. Viertens, Aufgaben mit mehr als 10 Klassen: Berichtete Tatsache ist, dass ein einzelner Vorwärtsdurchlauf höchstens 10 Klassen abdeckt und darüber hinaus eine Erweiterung über Error-Correcting-Output-Codes der Bibliothek auf beliebig viele Klassen erfolgt, was einer Zerlegung in mehrere binäre Klassifikationsprobleme entspricht. Zu treffen ist die Entscheidung, das Modell direkt zu verwenden oder eine Alternative zu wählen; Voraussetzung ist, ob die Kardinalität der Zielspalte und die Vorhersagelatenz den vervielfachten Aufwand zulassen; das Bewertungskriterium ist eine separate Messung von Fehler und Laufzeit der Mehrklassen-Teilaufgabe im Vergleich zur bestehenden Lösung.
Grenzen und offene Fragen
Klarzustellen ist: Kumo Tabular erscheint derzeit nicht im Online-Katalog von KimiSeek und ist über diese Seite nicht aufrufbar; beschrieben ist im Blog der lokale Bereitstellungspfad des Herstellers über Gewichte auf Hugging Face und eine Open-Source-Bibliothek, beides ist nicht gleichzusetzen. Die im Text genannten Benchmark-Platzierungen, ELO-Werte, Geschwindigkeitsfaktoren und Parameterzahlen stammen aus den Eigenangaben des NVIDIA-Blogs, sind nicht unabhängig reproduziert, und die Evaluierungsumgebung bestand aus einer einzelnen RTX 6000 Pro; andere Hardware oder Datenaufteilungen können zu anderen Ergebnissen führen. OpenMDW-1.1 ist ein Lizenzvertrag, offene Gewichte allein begründen keine Nutzungsrechte; ob die eigenen kommerziellen Bedingungen erfüllt sind, ist im Lizenztext selbst zu prüfen. Das Modell unterstützt nur numerische und kategoriale Spalten; Text, Bilder und Zeitstempel hängen von eingebauter Vorverarbeitung zur Merkmalsumwandlung ab; ein einzelner Vorwärtsdurchlauf deckt höchstens 10 Klassen ab, darüber hinaus sind Error-Correcting-Output-Codes nötig. Der Blog räumt selbst ein, dass die Genauigkeit außerhalb des Trainingsbereichs oder bei abweichender Verteilung von Abfrage und Kontext sinken kann; daher sollte vor dem Produktiveinsatz mit eigenen Holdout-Daten Genauigkeit und Kalibrierung überprüft werden. Zudem kündigt der Blog an, Trainingsrezept und Generator für die künstlichen Daten bald zu veröffentlichen, doch zum Zeitpunkt dieses Beitrags waren sie nicht öffentlich; eine vollständige Reproduktion des Trainings ist weiterhin nicht möglich.
Abbildungen aus dem Originalbericht
