NVIDIA发布Kumo Relational：不训练、不特征工程，直接在企业数据库上做预测
NVIDIA称这是首个在常见关系型基准上超过监督机器学习的小样本基础模型；在 15 个数据库的 41 项任务上评测，SAP SALT企业基准上比AutoGluon集成高 8% MRR。模型以单次前向传播完成预测，代码Apache 2.0、权重OpenMDW 1.1。
AI解读：使用者连接数据库、用预测查询语言（PQL）描述要预测什么，模型在一次前向传播中给出流失、需求、欺诈等预测，不需要任务专属训练、特征工程，也不需把多表压平成宽表。
评测覆盖RelBench V1和V2、SAP SALT、4DBInfer的 41 项任务、15 个数据库，这些数据集均未参与预训练。在RelBench V1分类任务上，它平均比基于专家特征工程的梯度提升树高近 4 个AUROC点；在SAP SALT上，开箱比基于特征工程的XGBoost高 7 个MRR点，微调后高 13 个点。
它的做法是在推理时把最多 1 万个带标注的历史样本作为上下文，每个样本是某实体在某一时间点的局部子图加上真实结果。对时序任务，模型按锚点时间回放历史数据库状态，只用锚点前的数据做预测，目标值来自锚点之后的事件，以避免数据泄漏。
NVIDIA说明模型主要在具有有意义关系和时间动态的数据上表现最好；训练集很大时，任务专属的监督模型仍可能在上下文预测之上略占优势，这也是微调功能的适用场景。预测信号还需在有限跳数内可达，建议从聚焦少量相关表的查询开始。
发布形式包括NVIDIA开源、GPU原生的structured-data-models库和NVIDIA NIM服务。库在首次使用时从Hugging Face Hub下载权重。代码采用Apache 2.0许可，模型权重采用OpenMDW License Agreement 1.1版。
NVIDIA在Hugging Face博客发布Kumo Relational，一个预训练的关系型基础模型。使用者连接数据库，用预测查询语言（PQL）说明要预测的目标，模型在一次前向传播中输出预测，无需任务专属训练和特征工程，也无需先把多表压平为单表。以上为NVIDIA的说法。
评测范围与数字
NVIDIA称Kumo Relational是首个在常见关系型基准上超过监督机器学习的小样本基础模型。评测覆盖RelBench V1和V2、SAP SALT、4DBInfer的 41 项任务、15 个数据库，涉及电商、医疗、企业、社交和学术领域，NVIDIA表示这些数据集均未在预训练中出现。
在RelBench V1分类任务上，它平均比基于专家特征工程的梯度提升树高近 4 个AUROC点。在SAP SALT企业基准上，NVIDIA称它开箱比基于特征工程的XGBoost高 7 个MRR点，微调后高 13 个点；比大型AutoGluon集成高 8% MRR，微调后领先扩大到 16%；比近期表格基础模型高约 25%。
NVIDIA还称，在对比关系模型与系统的RelArena-α 排行榜上，Kumo Relational开箱即处在准确率与效率的帕累托前沿：约 17 秒、Elo 1,842，而榜首rt-plurel为Elo 1,878、约 7,300 秒，约慢 430 倍。
- 评测任务数：41 项，覆盖 15 个数据库
- RelBench V1分类：比专家特征梯度提升树平均高近 4 AUROC点
- SAP SALT：开箱比XGBoost高 7 MRR点，微调后高 13 点
- SAP SALT：比AutoGluon集成高 8% MRR，微调后高 16%
- RelArena-α：约 17 秒完成 1,000 个样本推理，Elo 1,842
上下文学习如何避免数据泄漏
Kumo Relational在推理时读取最多 1 万个历史样本作为上下文，每个样本是某实体在某一时间点的局部子图及该实体的真实目标，例如“该用户流失了”或“该商品售出 142 件”。
对时序任务，模型按锚点时间回放历史数据库状态：采样实体中心子图，目标值由锚点之后的事件算出，但只把锚点之前的数据喂给模型。NVIDIA称这一设计用于防止数据泄漏。
模型先在每张表内做列注意力和行注意力，再通过主键与外键关系做图注意力，并在上下文样本间做交叉注意力。NVIDIA表示后一阶段作用于行嵌入而非每个单元格，从而避免二次方开销，可扩展到更大上下文和更深子图。
- 上下文样本上限：1 万个
- 预训练数据：完全合成的关系统据库，生成方法基于PluRel（Kothapalli等，ICML 2026），Kumo团队成员参与开发并合著原论文
- NVIDIA称PluRel论文显示，随合成数据库增加，预训练损失呈幂律下降，收益可迁移到真实数据库
适用边界与限制
NVIDIA在博客中列出限制：Kumo Relational在具有有意义关系和时间动态的数据上表现最好；训练集非常大时，任务专属监督模型仍可能优于上下文预测，因为其基准中上下文样本最多用 1 万个，这种情况可用微调应对。
预测信号还需在有限跳数内可达，NVIDIA建议从聚焦少量相关表的查询开始，再按需扩展图。博客另称，在仅用 0.2% 训练数据作上下文时仍表现良好，移除最多 75% 外键连接时保持稳定，加入大量噪声列时性能下降很小。
- 最佳适用：有明确关系与时间动态的数据，如用户随时间变化的行为
- 大数据集场景：可用微调，NVIDIA称这是为这类情况设计的
- 查询建议：先聚焦少量相关表，再扩展关系图
获取方式与许可
Kumo Relational已在NVIDIA开源、GPU原生的structured-data-models库中提供，也可作为NVIDIA NIM部署，并通过structured-data-models-client调用。库首次使用时从Hugging Face Hub下载权重。
NVIDIA称它可运行在内存中、通过数据库与数仓连接器，或经由自定义图引擎处理 500B行以上的数据，后者通过内存映射I/O达到最高 5 GB/s。代码采用Apache 2.0许可，模型权重采用OpenMDW License Agreement 1.1版。
- 库：structured-data-models（PyPI可安装）
- 服务：NVIDIA NIM，配套structured-data-models-client
- 代码许可：Apache 2.0
- 权重许可：OpenMDW License Agreement 1.1
- 规模：NVIDIA称支持 500B行以上数据库