NVIDIA 发布开放权重表格基础模型 Kumo Tabular：免训练单次前向预测，四种基准自报第一
据 NVIDIA 2026 年 9 月 29 日发布的官方博客，其发布表格基础模型 Kumo Tabular，含 2800 万至 2.15 亿参数三档，以 OpenMDW-1.1 许可发布并上架 Hugging Face，无需训练与特征工程，单次前向传播即可完成分类与回归，博客称其在 TabArena 等四个基准排名第一。
发生了什么
据 NVIDIA 于 2026 年 9 月 29 日发布的官方博客，NVIDIA 发布表格基础模型 Kumo Tabular，隶属 Kumo Structured 模型系列，权重已在 Hugging Face 上线，配套代码通过结构化数据开源库发布。模型完全在人工合成表格上预训练：每张训练表从结构因果模型采样，经随机因果图与随机抽取函数生成数值列、类别列与目标变量，其余节点保持隐藏，随后进行列相关性、离群值截断、缺失值注入等后处理，并用树集成检查剔除无可学习信号的表。架构是面向表格结构的 Transformer，采用列注意力、行注意力与上下文注意力，数值与类别值经傅里叶特征嵌入，缺失值不做填补；上下文行彼此注意，查询行只注意上下文行，因此上下文键值可一次计算后复用；并引入长度感知的注意力温度，随键数量对数增长缩放每个查询，以在数万行的大表上保持注意力锐利。模型分 Small/Medium/Large 三档，参数约 2800 万至 2.15 亿，分类与回归训练为两个独立模型，分别使用交叉熵损失与分位数损失，回归输出 999 个分位数以给出点预测与不确定性估计。博客称在 TabArena 上以 1950 的 ELO 排名第一，并在统一单张 RTX 6000 Pro 评测环境下比 LimiX-2 快 17 倍；在 BeyondArena 取得 1418 ELO 与 7.78% Improvability 分数、排名第一；在 TALENT 的分类准确率、分类对数损失与回归 RMSE 三项综合排名第一；在 ScoringBench 上 Large 与 Medium 分列第一和第二。博客同时说明模型只支持数值列与类别列，单次前向最多覆盖 10 个类别，多类别靠库的纠错输出编码扩展。
对开发者的影响
对开发者的直接影响是表格建模的接触方式变了：Kumo Tabular 没有 REST 推理接口，而是在 Python 环境中通过新的 GPU 原生库调用，首次运行从 Hub 下载权重，输入是带标签的上下文行加待预测的查询行，不做权重更新、不做特征工程、不做超参搜索。若博客所述成立，最先受影响的场景是标签稀缺、需要快速出基线的表格任务，例如流失预测、需求预测与风控打分，因为它省去的是整条训练流水线而不是训练时间。按照博客描述，预测只依赖上下文与该查询行本身，不依赖同批其他查询行，这意味着上下文键值可缓存复用，连续打分时只需计算一次上下文；但这也意味着上下文质量和覆盖度直接决定输出，上下文选错行比选错超参更难察觉。需要注意：该模型未出现在 KimiSeek 当前在线目录中，无法通过本站 API 调用，只能本地或自建 GPU 服务部署；博客中 17 倍速度、1950 ELO 等数字均为厂商自报，评测协议与数据划分未在文中详述，不能直接外推到具体业务数据；OpenMDW-1.1 是许可证而非“开放权重自动等于可商用”的结论，具体条款需自行阅读确认。把 Kumo Tabular 当成补充候选而非无条件替换现有梯度提升树：在中小表、标签行充足、以数值和类别列为主的场景先做对照实验会更稳妥。
接入与评估建议
以下为条件化建议，不是厂商已证实的结论。第一，是否铺设本地 GPU 推理路径：需要识别的报告事实是模型以权重形式通过开源库在本地运行、依赖 GPU 环境。要做出的选择是新增一条本地推理链路还是继续用现有逐任务训练的树模型；触发条件改变选择的关键前提是团队是否已有可用 GPU 且表格任务数量够多、逐任务训练成本够高；可测的评估判据是在自有留出集上比较两者的准确率或回归误差，同时记录推理延迟与显存占用，若本地推理的准确率无优势且延迟不可接受，就不值得为它维护一条新链路。第二，上下文行数的取舍：报告事实是训练第三阶段把上下文扩展到 60000 行、并专门设计了长度感知注意力温度。要做出的选择是每次预测投入多少上下文行；前提是表规模与延迟预算，上下文越大显存与时间开销越高；评估判据是固定查询集，分别用数百行、数千行、上万行上下文测准确率与延迟，看准确率是否随上下文增长而提升、延迟曲线是否可接受，若准确率提前饱和，继续加上下文只是浪费显存。第三，分布漂移下的采用边界：报告事实是博客提示查询行与上下文行分布不同或表格远超训练范围时精度可能下降。要做出的选择是把模型放在受控的同类分布任务里，还是放在跨时段、跨渠道的开放分布任务里；前提是能否构造并维护一个贴近线上的上下文样本池；评估判据是构造明显偏离训练分布的留出集，观察误差与模型输出的分位数区间是否同步变大、校准是否仍然成立，若区间失准，应回退到带监督训练的模型或缩小使用范围。第四，分类类别数超过 10 的任务：报告事实是单次前向最多 10 类，超出需由库通过纠错输出编码扩展到任意类别数，这相当于把任务拆成多个二分类问题。要做出的选择是直接使用该模型还是另选方案；前提是目标列基数与预测延迟能否接受成倍开销；评估判据是单独测多类别子任务的误差与耗时，与现有方案对比后再决定。
限制与待确认事项
需要明确：Kumo Tabular 当前并未出现在 KimiSeek 的在线目录中，无法通过本站点调用；博客所述的是厂商在 Hugging Face 发布权重与开源库的本地部署路径，二者不可混同。文中基准排名、ELO、速度倍数与参数规模均来自 NVIDIA 博客的自报结果，未经独立复现，评测环境为单张 RTX 6000 Pro，换硬件或换数据划分都可能得到不同结论。OpenMDW-1.1 是许可协议，开放权重本身不构成任何授权，是否满足你的商用条件需自行阅读许可证原文。模型仅支持数值与类别列，文本、图像、时间戳依赖内置预处理转换为特征，单次前向最多 10 类，超过需纠错输出编码。博客本身也承认在训练范围之外或查询与上下文分布不一致时精度可能下降，因此上线前务必用自有留出数据验证准确率与校准。此外，训练配方与人工数据生成器博客称将很快发布，但截至该文发布时并未公开，完整复现训练过程仍不可行。
原报道配图
