据MarkTechPost 10月18日报道，NVIDIA发布结构化数据模型库Structured Data Models（SDM），把多个面向表格数据的预训练基础模型封装在同一套PyTorch接口之下，用户无需训练或微调，即可直接得到预测结果。

该库目前封装三类模型：TabICLv2与KumoTabular面向单张表，KumoRelational面向整个关系型数据库。它们的预测都通过上下文学习完成——使用者把一批带标签的行和待预测的行一起送入模型，模型在一次前向传播中返回概率或完整的预测分布，形式类似于在提示中附带示例。

按该教程给出的信息，各模型的检查点规模与许可分别为：TabICLv2每个任务头约110MB，采用BSD-3许可；KumoTabular分小、中、大三档，小模型约110MB，大模型约855MB，采用OpenMDW许可；KumoRelational约120MB，同样为OpenMDW许可。库还封装了Google的TabFM与TimesFM 3，体积分别为6.5GB和1.3GB，因体量大且为非商用许可，教程未予使用。

安装环节存在一处文档层面的一致性问题。教程需从GitHub仓库安装并固定到验证过的提交，因为PyPI上的同名包只是占位。关系型采样器还依赖pyg-lib，其wheel按PyTorch次版本发布，页面名形如torch-2.14.0+cpu；但库自身的ImportError按补丁版本拼接地址，得到torch-2.14.1+cpu这样的空页面，照提示操作会失败，教程改为用主次版本号构造索引地址。全部流程在CPU上端到端跑通。

教程还把两个表格模型与训练过的scikit-learn基线作对比，演示如何复用同一编码上下文处理多次查询、从回归输出中读取校准后的预测区间，并把分类扩展到二十个类别。文中同时点出默认为设置下的几处问题：一套预处理配方会丢弃时间戳列和文本列，解释器中也存在两处易踩的陷阱。

最后，教程搭建了一个仅含三张表的商店数据库，直接从该数据库预测客户活跃情况，并说明区分可靠关系模型与存在数据泄漏的模型所依赖的那一个参数。