NVIDIA Kumo Tabular: открытые веса для прогнозов по таблицам

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 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 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 s4 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 s5 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 s2 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

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 s3 s5