NVIDIA 发布 Kumo Tabular 表格基础模型，主打免训练免调参

核心事实

据 Hugging Face 博客文章，NVIDIA 发布了 Kumo Tabular，属于 NVIDIA Kumo Structured 模型集合，是一款面向表格数据的开源基础模型，已在 Hugging Face 上线。据该文章描述，给定一张带标签的表格，模型可在单次前向传播中预测新行的标签，无需训练、调参和特征工程，同时支持分类与回归任务。

文章称该模型仅使用人工合成数据预训练，提供 28M 至 215M 参数三种规模，通过 NVIDIA 开源库运行，并以 OpenMDW-1.1 许可证发布。文章还称其在 TabArena、BeyondArena、TALENT 和 ScoringBench 四个基准上排名第一。上述性能与排名说法均来自发布方自述，尚未获独立验证。

背景与影响

表格数据长期是企业机器学习的核心载体，客户记录、交易、传感器日志、理赔与订单都以表格形式存在。过去二十年，这类任务主要依赖梯度提升树，效果稳定，但每个新问题都需要重新收集标签、构造特征、搜索超参数并重新训练。

文章将 Kumo Tabular 归入「表格基础模型」思路：借鉴大语言模型的上下文学习，模型在数百万张表格上预训练后，可把带标签的表格当作上下文，直接预测新行标签。文章称其采用列注意力、行注意力与上下文注意力结构，并引入随键数量对数增长的长度感知注意力温度，以在表格变长变宽时保持注意力锐度。

限制与来源

文章列出的限制包括：模型仅支持数值列与类别列，文本、图像或时间戳需通过内置预处理配方转为特征；单次前向传播最多覆盖 10 个类别，更多类别需借助纠错输出码扩展；当表格远超训练范围，或查询行与上下文行分布不同时，准确率可能下降。文章建议在部署前用自有留出数据验证准确率与校准情况。

本文信息全部来自 Hugging Face 博客文章，未做独立测试。模型的具体功能、许可证条款、可用地区与使用条件请以 NVIDIA 官网及 Hugging Face 模型页当前信息为准。