# NVIDIA Kumo Tabular: открытые веса для прогнозов по таблицам

Источник: https://modelium.tech/zhurnal/nvidia-kumo-tabular-local-classification-regression/

29 сентября 2026 года NVIDIA представила Kumo Tabular — модель для классификации и регрессии по табличным данным. На Hugging Face доступны шесть чекпойнтов: малый, средний и большой варианты для каждой задачи. Веса опубликованы под OpenMDW 1.1, код библиотеки — под Apache 2.0. Показанный авторами запуск использует CUDA; качество и требования к своему оборудованию нужно проверять самостоятельно.

Kumo Tabular: прогноз по таблицам со своими весами

29 сентября NVIDIA представила **Kumo Tabular** для классификации и регрессии по табличным данным. Вместо обучения отдельной модели с нуля она принимает размеченные строки как контекст и выдаёт вероятности классов либо числовые предсказания для новых строк. Это вариант локального *in-context* инференса: данные можно обрабатывать в своей инфраструктуре, но проверка качества на собственном наборе остаётся обязательной. Дата относится к публичному анонсу; сам репозиторий HF создан раньше, поэтому его `lastModified` нельзя считать датой выпуска. [s1](#src-s1) [s2](#src-s2)

## Что доступно

Закреплённая ревизия весов `v1.0.0` (`bd7fa122b516c7355583873ffcf38f5e79403ebd`) содержит шесть файлов `.pt`: по одному классификатору и регрессору для размеров `small`, `medium`, `large`. Есть карточка, конфигурация и отдельный `LICENSE`. HF API показывает реальные LFS-файлы, а не одни указатели на недогруженные шарды. Это опубликованные веса, не просто анонс доступа к удалённому API. У опубликованного кода загрузчик выбирает именно ревизию `v1.0.0` и нужный файл по задаче и размеру. [s2](#src-s2) [s3](#src-s3)

Для весов действует **OpenMDW 1.1**, а для исходного кода NVIDIA в `structured-data-models` — **Apache 2.0**. Текст лицензии весов разрешает использование и распространение, в том числе коммерческое, при соблюдении условий: при распространении сохранить текст соглашения и уведомления о происхождении; в ней также есть условие прекращения прав в определённых патентных и авторско-правовых спорах. Лицензия кода не подменяет лицензию загружаемых весов или сторонних материалов. В публичном README разработчики прямо отделяют сторонние активы от собственной библиотеки. Полный рецепт обучения и генератор искусственных данных в анонсе обещаны позднее; наличие кода инференса не означает опубликованный полный обучающий конвейер. [s1](#src-s1) [s4](#src-s4) [s5](#src-s5)

## Как оценить для своей задачи

Официальная карточка показывает пример на `pandas` и `sdm`: создать `TableTensor`, отделить помеченные строки от строк для прогноза и вызвать `sdm.models.KumoTabular(task="classification", device="cuda")`. Модель загружает соответствующий чекпойнт из HF при первом использовании. Документация репозитория рекомендует Python 3.11+ и PyTorch 2.7+ и предлагает установку библиотеки непосредственно из GitHub; карточка отдельно предлагает `pip install structured-data-models`. Это два разных пути установки, и работоспособность примера на конкретном релизе PyPI здесь не проверялась. Для воспроизводимости сверяйте ревизию библиотеки с ревизией весов и используйте официальный пример для вашей задачи. [s3](#src-s3) [s5](#src-s5) [s6](#src-s6)

Практический сценарий — сравнить базовую модель на собственных таблицах с уже настроенным градиентным бустингом, особенно когда есть немного размеченных строк и нужно быстро проверить задачу классификации или регрессии. В анонсе заявлены три размера и модель на 28–215 млн параметров. Размер файла весов **не является** минимальным требованием к RAM или VRAM; код и пример используют CUDA, но NVIDIA не заявляет, что её тестовый ускоритель обязателен для всех запусков. Инференс редакция не проводила. [s1](#src-s1) [s2](#src-s2) [s3](#src-s3)

## Что означают сравнения NVIDIA

По **оценке авторов**, Kumo Tabular занимает первое место в их сравнении TabArena (ELO 1950), а также показывает лидирующие результаты в BeyondArena, TALENT и ScoringBench. Для сравнения скорости в TabArena авторы указывают единый тестовый стенд с RTX 6000 Pro; это условие измерения, не системное требование. Эти цифры не воспроизведены Modelium и не гарантируют выигрыш на ваших данных. NVIDIA отдельно предупреждает, что качество может падать на таблицах далеко за пределами обучающего диапазона и при сдвиге распределения между размеченными и новыми строками. Модель напрямую работает с числовыми и категориальными признаками, а текст, изображения и временные отметки требуют преобразования в признаки. Перед внедрением оставьте отложенную выборку и проверьте не только точность, но и калибровку предсказаний. [s1](#src-s1)

**Итог:** событие важно не рекордной цифрой, а доступными собственными чекпойнтами и кодом для локальной проверки табличного прогноза. Начните с официального примера классификации или регрессии, закрепите версии и сравните результат со своим текущим базовым решением; бенчмарк поставщика не заменяет такой проверки. [s1](#src-s1) [s3](#src-s3) [s5](#src-s5)

## Источники

1. [NVIDIA — Kumo Tabular: официальный анонс и условия оценок](https://huggingface.co/blog/nvidia/kumo-tabular) — получено 2026-09-29
2. [Hugging Face API — Kumo Tabular v1.0.0, файлы и ревизия](https://huggingface.co/api/models/nvidia/Kumo-Tabular/revision/v1.0.0?blobs=true) — получено 2026-09-29
3. [NVIDIA — Kumo Tabular model card](https://huggingface.co/nvidia/Kumo-Tabular/blob/bd7fa122b516c7355583873ffcf38f5e79403ebd/README.md) — получено 2026-09-29
4. [NVIDIA — лицензия весов OpenMDW 1.1](https://huggingface.co/nvidia/Kumo-Tabular/blob/bd7fa122b516c7355583873ffcf38f5e79403ebd/LICENSE) — получено 2026-09-29
5. [NVIDIA — Structured Data Models, код и лицензия Apache 2.0](https://github.com/NVIDIA/structured-data-models/tree/5d663369ff8ead4a78c910dbb8483d558e46627b) — получено 2026-09-29
6. [PyPI — пакет structured-data-models](https://pypi.org/pypi/structured-data-models/json) — получено 2026-09-29