NVIDIA 發布 Kumo Relational：免訓練的關聯式資料基礎模型，41 項任務超越監督式學習

NVIDIA 推出 Kumo Relational，這是一個預訓練的關聯式資料基礎模型，可直接在企業資料庫上做預測。使用者以預測查詢（Predictive Query Language，PQL）描述目標，例如流失、需求或詐欺，模型會蒐集最多 10,000 筆歷史範例作為上下文，並以單次前向推論給出結果，不需任務專屬訓練、特徵工程或將表格攤平。 根據 HuggingFace 部落格，Kumo Relational 在 15 個資料庫、共 41 項任務上，表現優於監督式關聯式深度學習模型，以及由專家設計特徵的梯度提升樹（gradient-boosted tree）流程。在 RelBench V1 分類任務上，其平均 AUROC 比專家特徵的梯度提升樹高出近 4 個百分點；在 SAP SALT 企業基準上，開箱即用比以 XGBoost 搭配工程特徵高 7 點 MRR，微調後高 13 點 MRR。 技術上，模型以預訓練於合成關聯式資料的架構直接處理資料庫的表格、外鍵與時間戳記，分別進行表內（欄與列注意力）與跨表（圖注意力）推理。為避免資料洩漏，時序任務會回放歷史資料庫狀態，僅向模型提供錨點時間之前的資料。 官方宣稱可擴展至 500B 以上列數的資料庫，並可透過 NVIDIA 開源的 GPU 原生結構化資料模型函式庫或 NVIDIA NIM 使用，供人類與 AI 代理呼叫。以上效能數據均來自單一來源（HuggingFace 部落格）及其所附論文與文件，尚未經獨立第三方驗證。