NVIDIA 发布 Kumo Relational 关系型基础模型，称无需训练即可预测

核心事实

NVIDIA 在 Hugging Face 博客发布文章，介绍预训练关系型基础模型 Kumo Relational。据文章描述，用户连接数据库并用预测查询语言（PQL）描述要预测的目标（如流失、需求、欺诈），模型在推理时最多读取 1 万个历史样本作为上下文，一次前向传播即给出预测，无需任务特定训练、特征工程或把多张表展平。文章称这是首个在常见关系型基准上优于监督学习的小样本基础模型，并给出论文与文档链接。

背景与影响

文章把这一路线类比为语言与视觉领域的基础模型转向：一个预训练模型替代按任务分别搭建的流水线，新预测从「项目」变成「查询」。据文章数据，在 RelBench V1 分类任务上，该模型平均比基于专家工程特征的梯度提升树高近 4 个 AUROC 点；在 SAP SALT 企业基准上，平均倒数排名（MRR）比 AutoGluon 集成高 8%，微调后领先扩大到 16%。评估覆盖 RelBench V1/V2、SAP SALT 与 4DBInfer 的 15 个数据库、41 项任务，文章称这些数据集均未出现在预训练中。模型预训练完全使用合成关系型数据，可经 NVIDIA 开源的结构化数据模型库或 NVIDIA NIM 调用。

限制与来源

文章自述的局限包括：在训练集非常大的任务上，任务特定的监督模型仍可能略优于上下文预测（基准中上下文最多 1 万个样本），此时可改用微调；预测信号需在有限跳数内可达，建议从少量相关表的聚焦查询起步。上述性能数字均来自厂商博客与论文，尚未见独立复现。可用性、许可与部署方式以 NVIDIA 官网及文档当前信息为准。来源：Hugging Face 博客文章《NVIDIA Kumo Relational Outperforms Supervised Machine Learning on Relational Data, No Training Required》。