NVIDIA تطلق Kumo Tabular، نموذجا مفتوحا يتنبأ من الجداول دون تدريب

أعلنت NVIDIA على Hugging Face في 29 سبتمبر 2026 عن Kumo Tabular، وهو نموذج أساس مفتوح للبيانات الجدولية. ويقرأ النموذج جدولا من الصفوف الموسومة بوصفه سياقا، ويتنبأ بتسميات الصفوف الجديدة في تمريرة أمامية واحدة (forward pass). ولا يحتاج إلى تدريب أو ضبط أو هندسة للميزات، ويعمل في مهام التصنيف والانحدار على حد سواء.

تنبؤات مباشرة من الجدول

يقع جزء كبير من بيانات الشركات في جداول مثل سجلات العملاء والمعاملات وسجلات أجهزة الاستشعار والطلبات، ومنها تبنى توقعات فقدان العملاء ومخاطر التعثر في السداد والطلب والأسعار. وبحسب تدوينة NVIDIA، كان كل سؤال جديد يعني جمع التسميات وإعداد الميزات والبحث في الإعدادات وتدريب نموذج منفصل. ومع Kumo Tabular تستخدم الصفوف التي يكون فيها العمود المستهدف مملوءا بوصفها أمثلة، ويعيد النموذج النتائج للصفوف الفارغة مباشرة: احتمالات الفئات في التصنيف، وتنبؤات رقمية في الانحدار.

يعمل النموذج مع الأعمدة الرقمية والفئوية؛ ويمكن تحويل النصوص أو الصور أو الطوابع الزمنية إلى ميزات بوصفات معالجة مسبقة مدمجة في المكتبة. ولا تحتاج القيم المفقودة إلى تعويض مسبق، إذ يتعامل معها النموذج بنفسه. وتغطي التمريرة الواحدة ما يصل إلى 10 فئات، وتتعامل المكتبة مع الفئات الأكثر عبر رموز الإخراج المصححة للأخطاء (error-correcting output codes). ودرب النموذج على جداول مولدة اصطناعيا فقط، واستخدمت المرحلة الأخيرة من التدريب جداول تصل إلى 60,000 صف و100 عمود.

الأحجام والترخيص والتثبيت

يأتي Kumo Tabular بثلاثة أحجام، من 28 مليون إلى 215 مليون معامل. وقد صدر النموذج بترخيص OpenMDW-1.1 ويمكن استخدامه تجاريا. ويعمل عبر مكتبة structured-data-models مفتوحة المصدر من NVIDIA، التي تثبت بالأمر pip install structured-data-models وتنزل ملفات النموذج من Hugging Face عند أول استخدام. ويكفي جدول pandas وبضعة أسطر من Python للحصول على التنبؤات. والمكتبة مصممة لوحدات GPU: إذ تشغل الأمثلة النموذج على CUDA وتتطلب Python 3.11 وPyTorch 2.7 أو أحدث. وتقول NVIDIA إنها أجرت اختبارات المقارنة على بطاقة RTX 6000 Pro واحدة؛ ولا تذكر الصفحات الحد الأدنى من متطلبات العتاد.

وبحسب الشركة، يحتل النموذج المركز الأول في اختبارات المقارنة الجدولية TabArena وBeyondArena وTALENT وScoringBench. ويذكر أن وصفة التدريب ومولدات البيانات الاصطناعية ستنشر قريبا.

ولأنه نموذج يمكن تشغيله على خوادمك الخاصة، يمكن تنفيذ مهام مثل التنبؤ بفقدان العملاء من سجلات CRM أو باحتياجات المخزون أو بأعطال المعدات من دون أن تغادر البيانات الشركة. ومع انتفاء الحاجة إلى تدريب نموذج منفصل لكل سؤال، يصبح أيضا خيارا سهل التجربة للشركات ذات فرق علوم البيانات الصغيرة.

تكتب NVIDIA أن الدقة قد تنخفض في الجداول التي تتجاوز نطاق التدريب كثيرا، أو حين تأتي الصفوف المراد التنبؤ بها من توزيع مختلف عن صفوف الأمثلة، وتوصي بفحص النتائج على بيانات الشركة المحجوزة (held-out data) قبل النشر. ولأن النموذج درب على جداول اصطناعية فقط، فقد تتفاوت نتائجه على بيانات الأعمال الحقيقية بحسب المهمة. ولمعرفة مدى صمود نتائج المقارنة على مجموعات بيانات أخرى، تجدر متابعة تقييمات الباحثين المستقلين.

المصادر: Hugging Face: إعلان NVIDIA Kumo Tabular، وHugging Face: nvidia/Kumo-Tabular، وGitHub: NVIDIA/structured-data-models.