NVIDIA于2026年9月29日发布Kumo Tabular开源表格基础模型,提供约2800万至2.15亿参数的三种规模,可用带标签行作为上下文,在一次前向计算中完成分类或回归预测。模型基于人工表格预训练并配套GPU原生库;但对分布外 ...
|
事件概述:NVIDIA 于 2026 年 9 月 29 日在 Hugging Face 官方博客发布 Kumo Tabular,并开放模型权重与 structured-data-models 代码。它面向表格分类和回归任务,给定带标签的上下文行和待预测行后,可在一次前向计算中输出类别概率或数值预测。 模型与开发者:Kumo Tabular 由 NVIDIA 开发,是 Kumo Structured 模型集合的一部分,提供 Small、Medium、Large 三种规模,参数量约 2800 万至 2.15 亿;模型完全使用人工生成的表格预训练,并以 OpenMDW-1.1 许可发布。 关键能力与改动:模型采用针对表格结构设计的 Transformer,结合列注意力、行注意力和上下文学习,分别处理列内分布、行内特征交互以及带标签样本到查询行的映射。缺失值可由模型特殊处理,不要求传统的缺失值填补;回归任务还输出 999 个分位数,可同时给出点预测和不确定性估计。NVIDIA 提供 GPU 原生 structured-data-models 库,将 pandas 数据转换为张量并直接加载 Hub 权重,推理不需要为每个新任务重新训练、调参或做特征工程。官方在统一单张 RTX 6000 Pro 环境下报告,Kumo Tabular 在 TabArena、BeyondArena、TALENT 和 ScoringBench 等评测中取得领先结果。 适用对象:处理客户、交易、传感器、理赔或订单等结构化数据的机器学习工程师、数据科学团队,以及希望快速试验表格基础模型的企业。 实际影响与限制:Kumo Tabular 把表格任务从“每个问题重新训练”转向上下文预测,可能缩短基线验证和原型周期;但它只直接支持数值和类别列,文本、图像和时间戳需要预处理,单次前向最多覆盖 10 个类别(库可用纠错输出码扩展)。当查询行与上下文分布不同,或表格规模超出训练范围时,准确率可能下降;NVIDIA 的榜单成绩来自特定硬件和评测设置,部署前仍应在自有留出数据上验证准确率、校准和业务风险。 |
0