# NVIDIA открыла Kumo Relational: прогнозы по связанным таблицам без ручного объединения

Источник: https://modelium.tech/zhurnal/nvidia-kumo-relational-open-weights-related-tables/

NVIDIA выложила два чекпойнта Kumo Relational для классификации и регрессии по нескольким связанным таблицам. Веса закреплены в версии v1.0.0 от 25 сентября 2026 года под OpenMDW 1.1; код библиотеки — Apache 2.0. Для локальной проверки берите пример и API из репозитория structured-data-models: краткий фрагмент на странице модели не соответствует актуальному интерфейсу. Модель требует подготовки связей и контекстных меток; скорость и качество зависят от задачи и конфигурации.

Kumo Relational: модель NVIDIA для связанных таблиц

**Что произошло.** В публичной версии `v1.0.0` репозитория `nvidia/Kumo-Relational` доступны `classifier.pt` и `regressor.pt`. История закреплённой ревизии датирует загрузку 25 сентября 2026 года; репозиторий был создан раньше, в июле, поэтому дату создания или `lastModified` основной ветки не стоит выдавать за дату релиза. Это два чекпойнта одной модели для классификации и регрессии, а не две независимые архитектуры. Веса и конфигурация действительно присутствуют в манифесте закреплённой версии. [s1](#src-s1) [s2](#src-s2)

## Когда это полезно

Если ответ зависит не от одной таблицы, а от связей между сущностями — например, от заказов, пользователей и их событий, — ручной `JOIN` с агрегатами может потерять структуру. Kumo Relational принимает таблицу объектов задачи и связанные таблицы с описанными ключами; модель строит представления строк, передаёт информацию по связям и делает предсказание с контекстными размеченными примерами. Это сценарий локального эксперимента с классификацией или регрессией на собственной базе, а не готовый SQL-агент или универсальная замена обычного табличного классификатора. Архитектуру и пример связей с пользователями/заказами NVIDIA описала в исходном коде. [s3](#src-s3)

Это **другой** релиз, чем Kumo Tabular для одной таблицы: здесь отдельно нужны схема связей, контекстная выборка и правильная подготовка таблиц; опубликованные веса Tabular нельзя подставить вместо Relational. [s3](#src-s3)

## Что опубликовано и на каких условиях

В закреплённом дереве находятся `classifier.pt` и `regressor.pt` размером около 120 и 124 млн байт, конфигурация, лицензия и уведомления об исходных компонентах. **Размеры файлов не являются требованиями к RAM или VRAM.** Веса распространяются по OpenMDW 1.1: текст разрешает использование и распространение без ограничений по назначению, но требует сохранять лицензию и применимые уведомления при дистрибуции; там же есть условие прекращения прав при определённых исках о нарушении патентов/авторских прав. Предобученные веса TabICLv2, на которых основан чекпойнт, отмечены BSD-3-Clause, и их уведомление включено в пакет. Код `structured-data-models` отдельно помечен Apache-2.0. **Открытые веса и открытый код здесь регулируются разными лицензиями**; проверяйте полный текст перед включением в продукт. [s2](#src-s2) [s4](#src-s4) [s5](#src-s5) [s6](#src-s6)

## Как начать локальную проверку

Официальный репозиторий рекомендует установку `structured-data-models` из GitHub и Python 3.11+ с PyTorch 2.7+. Для воспроизводимости сверяйтесь с закреплённым коммитом кода из источника ниже; не полагайтесь на одноимённый пакет PyPI без проверки соответствия репозиторию. Актуальный класс `sdm.models.KumoRelational` загружает оба чекпойнта именно по тегу `v1.0.0` и предоставляет `model.fit(x_context, y_context, related_context_tables, num_hops=1)` и `model.predict(x_query, related_query_tables)`. Полный пример подготовки таблиц, ключей и разбиения контекста есть в docstring модели и в `examples/relational/rel_bench.py`. Это пример исходного кода NVIDIA, **не результат запуска Modelium**. [s3](#src-s3) [s7](#src-s7) [s8](#src-s8)

**Важная проверка перед копированием кода:** краткий фрагмент на странице весов передаёт `related_context`/`related_query` без определения объектов данных, тогда как полная документация класса использует `related_context_tables`/`related_query_tables` и показывает `fit`/`predict`. Демонстрация RelBench отдельно готовит `RelationalData`, `sampler` и связи. Не считайте короткий фрагмент с карточки готовым воспроизводимым скриптом для ваших таблиц. Версию кода и структуру данных фиксируйте вместе с моделью. [s1](#src-s1) [s3](#src-s3) [s8](#src-s8)

## Что означают опубликованные замеры

В репозитории NVIDIA приведены **авторские**, не проверенные Modelium результаты RelArena-α: до 20 тысяч контекстных примеров, до двух переходов по связям, текстовые признаки исключены. Авторы указывают Elo 1832,2 (третье место из 12) в рейтинге только моделей и 1827,8 (четвёртое из 14) в объединённом рейтинге моделей и систем на 29 сентября. Таблица времени охватывает 21 задачу RelBenchV1, исключает прогрев кэша, но сопоставляет системы с разным числом конфигураций и режимами кэширования; выводить из неё универсальное ускорение для своей базы нельзя. Отдельный пример SALT содержит авторскую таблицу точности для восьми задач с различным числом контекстных примеров и ансамблей. [s9](#src-s9) [s10](#src-s10)

**Практический следующий шаг:** возьмите одну задачу с размеченными объектами и явными внешними ключами, воспроизведите официальный пример подготовки `RelationalData` на закреплённом коде и сравните результат с вашим текущим табличным baseline на собственном временном разбиении. До этого не обещайте прирост качества или конкретный минимум GPU: такой проверки у Modelium нет. [s3](#src-s3) [s8](#src-s8)

## Источники

1. [NVIDIA Kumo Relational: model card at pinned revision](https://huggingface.co/nvidia/Kumo-Relational/blob/613d8f930f3a9f4d306fadfe80794da8c9a28570/README.md) — получено 2026-09-29
2. [Hugging Face API: v1.0.0 revision and complete file tree](https://huggingface.co/api/models/nvidia/Kumo-Relational/tree/613d8f930f3a9f4d306fadfe80794da8c9a28570?recursive=true) — получено 2026-09-29
3. [NVIDIA structured-data-models: KumoRelational implementation and documented example](https://github.com/NVIDIA/structured-data-models/blob/5d663369ff8ead4a78c910dbb8483d558e46627b/sdm/models/kumo/relational/model.py) — получено 2026-09-29
4. [NVIDIA Kumo Relational: OpenMDW 1.1 full license](https://huggingface.co/nvidia/Kumo-Relational/blob/613d8f930f3a9f4d306fadfe80794da8c9a28570/LICENSE) — получено 2026-09-29
5. [NVIDIA Kumo Relational: TabICLv2 third-party BSD notices](https://huggingface.co/nvidia/Kumo-Relational/blob/613d8f930f3a9f4d306fadfe80794da8c9a28570/THIRD-PARTY-NOTICES.txt) — получено 2026-09-29
6. [NVIDIA structured-data-models Python project metadata](https://github.com/NVIDIA/structured-data-models/blob/5d663369ff8ead4a78c910dbb8483d558e46627b/pyproject.toml) — получено 2026-09-29
7. [NVIDIA structured-data-models: official installation](https://github.com/NVIDIA/structured-data-models/blob/5d663369ff8ead4a78c910dbb8483d558e46627b/README.md) — получено 2026-09-29
8. [NVIDIA RelBench example for Kumo Relational](https://github.com/NVIDIA/structured-data-models/blob/5d663369ff8ead4a78c910dbb8483d558e46627b/examples/relational/rel_bench.py) — получено 2026-09-29
9. [NVIDIA RelArena-α evaluation and runtime conditions](https://github.com/NVIDIA/structured-data-models/blob/5d663369ff8ead4a78c910dbb8483d558e46627b/benchmark/relational/relarena/README.md) — получено 2026-09-29
10. [NVIDIA SALT evaluation results and task conditions](https://github.com/NVIDIA/structured-data-models/blob/5d663369ff8ead4a78c910dbb8483d558e46627b/examples/relational/salt/README.md) — получено 2026-09-29