据Hugging Face博客2026年10月21日发布的文章，NVIDIA介绍了名为Kumo Relational的预训练关系基础模型。该模型直接在企业关系数据库上作出预测，不需要针对具体任务训练，也不需要特征工程或把多张表扁平化；文章称，它是首个在常见关系基准上超过监督机器学习的少样本基础模型。

文章介绍，Kumo Relational接收预测查询后，会收集最多10000个历史样本作为上下文，在一次前向传播中预测客户流失、需求或欺诈等结果。模型在推理时读取的每个样本，包含某一时点实体周围的局部子图及其真实目标，例如“该用户已流失”或“该商品售出142件”。模型直接处理数据库中的表、外键和时间戳，预训练一次于反映真实数据集的合成关系数据，再通过上下文学习适配新任务。这避免了手工聚合关系时丢失细粒度结构信号，也减少了人工投入。

性能方面，文章称在15个数据库的41项任务上，Kumo Relational超过监督关系深度学习模型和由专家设计特征的梯度提升树流水线；在SAP SALT企业基准上，其平均倒数排名（MRR）比AutoGluon集成高8%。在RelBench V1分类任务上，它比使用专家工程特征的梯度提升树平均高近4个AUROC点；在SAP SALT上，它比使用工程特征的XGBoost开箱高7个MRR点，微调后高13个MRR点。文章据此提出，生产环境中的XGBoost流水线可考虑由该模型替代。

文章还称，Kumo Relational可扩展到超过5000亿行的数据库，并通过NVIDIA开源的GPU原生结构化数据模型库或作为NVIDIA NIM使用，面向人类用户和智能体。其预测查询语言（PQL）为智能体提供询问预测问题的接口。相关论文编号为arXiv:2604.12596，文档位于NVIDIA文档页面。

背景上，文章将关系数据预测与语言、视觉领域的模型迁移相比较：后者已从每项任务单独建模转向通用基础模型，关系数据库上的预测建模仍常需数周特征工程、任务特定训练和调参。文章称，结构化数据基础模型以更高准确率、更简单的部署方式和让智能体具备预测能力三个原因推动同样转变。