据MarkTechPost报道，NVIDIA发布Kumo Tabular，一个用于分类和回归的表格基础模型系列。它把带标签的行作为上下文，在一次前向传播中预测新行，无需训练、超参数调优或特征工程。模型分Small、Medium、Large三档，参数约2800万至2.15亿，通过NVIDIA开源的结构化数据模型库SDM运行。权重以OpenMDW-1.1许可发布，允许商业使用；SDM代码采用Apache-2.0，需要Python 3.11+和PyTorch 2.7+，示例面向CUDA GPU。
SDM是面向结构化数据基础模型和预处理的GPU原生库，还包含TabICLv2、Google的TabFM以及用于多表数据的KumoRelational。它们共享基于TableTensor容器的上下文学习接口，并支持预处理、集成学习和多类别预测。
Kumo Tabular是围绕表格结构构建的Transformer，使用列、行和上下文注意力。其流程分三阶段：单元嵌入中，数值和分类值经过可学习傅里叶特征，缺失值无需插补；行嵌入中，列注意力采用诱导自注意力，成本随行数线性增长，带旋转位置的行注意力学习特征交互，4个可学习[CLS]令牌压缩每行；上下文学习阶段，最终Transformer运行在行嵌入上，上下文行彼此注意，查询行只注意上下文行，因上下文不见查询，其键和值只计算一次并复用。输出头给出类别概率，回归输出999个分位数。Softmax注意力在键数增长时会变平，模型用随键数对数增长的温度缩放查询，系数按注意力头学习。
Kumo Tabular完全在来自结构因果模型的合成表格上预训练。随机因果图通过线性映射、小型神经网络、树或高斯过程连接隐藏变量，生成器还注入缺失值、高基数类别、重尾目标和冲突重复行。训练分三阶段，上下文从1024行增至60000行，最多100列。Small、Medium、Large分别看到约3500万、7100万和1.37亿张人工表格。分类和回归为独立模型。NVIDIA称训练配方和数据生成器将很快发布。
默认设置下，Kumo Tabular在TabArena总排名第一，Elo为1950；NVIDIA团队称其在单张RTX 6000 Pro上比LimiX-2快17倍，三个规模均位于准确率与推理时间帕累托前沿。BeyondArena排名第一，Elo为1418，Improvability为7.78%。TALENT总排名居首。ScoringBench中Large和Medium平均排名分列第一、第二。
竞品中，TabICLv2由Inria SODA开发，TabPFN-3由Prior Labs开发，LimiX-2由Stable AI开发，TabFM由Google Research开发。权重许可上，Kumo Tabular为OpenMDW-1.1，TabICLv2为BSD-3-Clause，TabPFN-3为TABPFN-3 License v1.0，LimiX-2和TabFM为非商业许可。商用权重方面，Kumo Tabular和TabICLv2允许，TabPFN-3需付费许可，LimiX-2和TabFM不允许。报道称，许可差异是关键区分点，Kumo Tabular和TabICLv2是更宽松选择，而NVIDIA报告的基准中Kumo Tabular领先。
使用上，可安装structured-data-models库，按模型卡将DataFrame传入TableTensor，再调用sdm.models.KumoTabular。