> ## Content Index
> Fetch the complete content index at: https://globalfeed.ai/llms.txt
> Use this file to discover other available public pages before exploring further.

# NVIDIA 发布开放模型 Kumo Tabular，无需训练即可从表格预测
- URL: https://globalfeed.ai/zh/nvidia-fa-bu-kai-fang-mo-xing-kumo-tabular-wu-xu-xun-lian-ji-ke-cong-biao-ge-yu-ce/
- Published: 2026-09-30T03:49:12.000Z
- Updated: 2026-09-30T03:49:12.000Z
- Description: NVIDIA 发布面向表格数据的开放基础模型 Kumo Tabular。它以已标注的行为示例，一次即可完成新行的分类和回归预测，无需训练、调优或特征工程。其许可证允许商业使用，并可在自有服务器上运行。
- Author: GlobalFeed Editor
- Tags: NVIDIA, Kumo Tabular, 开放模型, 表格数据, x-nvidia, x-huggingface, dil-zh, elle

**NVIDIA** 于 2026 年 9 月 29 日[在 Hugging Face 上发布](https://huggingface.co/blog/nvidia/kumo-tabular?ref=globalfeed.ai)了面向表格数据的开放基础模型（foundation model）**Kumo Tabular**。该模型把一张由已标注行组成的表格作为上下文读取，并在一次前向传播（forward pass）中预测新行的标签。它无需训练、调优或特征工程（feature engineering），同时适用于分类和回归任务。

## 直接基于表格给出预测

企业的大量数据存放在客户记录、交易、传感器日志和订单等表格中，客户流失、违约风险、需求或价格预测也都基于这些表格。据 NVIDIA 的博文介绍，以往每提出一个新问题，都要收集标签、准备特征、搜索参数设置并训练一个单独的模型。使用 Kumo Tabular 时，目标列已填写的行作为示例，模型直接为空白行返回结果：分类任务给出类别概率，回归任务给出数值预测。

该模型支持数值列和类别列；文本、图像或时间戳可以借助库中内置的预处理方案（preprocessing recipes）转换为特征。缺失值无需预先填补，模型会自行处理。单次处理最多支持 10 个类别，更多类别由库通过纠错输出编码（error-correcting output codes）来处理。该模型仅使用人工生成的表格训练，训练最后阶段使用的表格最多有 60,000 行、100 列。

## 规格、许可证与安装

Kumo Tabular 提供三种规格，参数量从 2,800 万到 2.15 亿不等。该[模型](https://huggingface.co/nvidia/Kumo-Tabular?ref=globalfeed.ai)以 OpenMDW-1.1 许可证发布，可用于商业用途。它通过 NVIDIA 开源的 [structured-data-models](https://github.com/NVIDIA/structured-data-models?ref=globalfeed.ai) 库运行，该库可用 `pip install structured-data-models` 安装，首次使用时会从 Hugging Face 下载模型文件。只需一张 pandas 表格和几行 Python 代码即可获得预测。该库专为 GPU 设计：示例在 CUDA 上运行模型，要求 Python 3.11 以及 PyTorch 2.7 或更高版本。NVIDIA 表示其基准测试是在单张 RTX 6000 Pro 显卡上完成的；相关页面没有列出最低硬件要求。

据该公司介绍，该模型在 TabArena、BeyondArena、TALENT 和 ScoringBench 表格基准测试中排名第一。训练方案和人工数据生成器据称即将发布。

由于这是一款可以在自有服务器上运行的模型，基于 CRM 记录预测客户流失、库存需求或设备故障等任务，都可以在数据不离开公司的情况下完成。由于无需为每个问题单独训练模型，对数据科学团队规模较小的公司来说，它也是一个便于尝试的选择。

NVIDIA 写道，当表格远超训练范围，或待预测的行与示例行来自不同分布时，准确率可能下降；它建议在部署前先用公司自己的留出数据（held-out data）检验结果。由于该模型仅用人工表格训练，它在真实业务数据上的效果可能因任务而异。想了解这些基准测试结果在其他数据集上是否站得住，值得关注独立研究人员的评估。

来源：[Hugging Face：NVIDIA Kumo Tabular 发布公告](https://huggingface.co/blog/nvidia/kumo-tabular?ref=globalfeed.ai)、[Hugging Face：nvidia/Kumo-Tabular](https://huggingface.co/nvidia/Kumo-Tabular?ref=globalfeed.ai)、[GitHub：NVIDIA/structured-data-models](https://github.com/NVIDIA/structured-data-models?ref=globalfeed.ai)。