英伟达发布 Kumo Relational：免训练的关系型数据基础模型

英伟达的研究团队通过 Hugging Face 博客发布了 Kumo Relational，一个预训练的关系型基础模型。它的不同之处在于直接在企业数据库上做预测：接上数据库、用预测查询语言描述要预测什么，模型就在单次前向计算中给出流失、需求或欺诈等结果，既不需要针对任务再训练，也不需要特征工程或把多张表压平成一张宽表。

这背后是英伟达对结构化数据的判断：语言和视觉已经被基础模型改写，关系型数据库却仍停留在为每个任务单独建模、再配一条特征管线的阶段。博客把 Kumo Relational 定位为第一个在常见关系型基准上超过监督式机器学习的少样本基础模型，并称其可扩展到 5000 亿行以上的数据库。

技术上，模型在推理时最多读取 1 万个历史样本作为上下文，每个样本是某个实体在某一时刻附近的局部子图及其真实结果。它先在单表内交替做列注意力和行注意力以过滤噪声，再沿主键与外键关系做图注意力，并在上下文样本之间做跨样本注意力；由于后一阶段作用在行嵌入而非每个单元格上，计算量不会随表规模平方膨胀。

训练数据全部是合成的。团队基于 PluRel（ICML 2026）的思路生成带有模式、外键关联和时序因果结构的完整关系型数据库，再从单表逐步过渡到复杂结构进行分阶段预训练。博客称合成路线让预训练数据几乎不受限制，而 PluRel 论文显示预训练损失随数据库数量增加呈幂律下降，收益可以迁移到真实数据库。

评测覆盖 RelBench V1/V2、SAP SALT 和 4DBInfer 的 15 个数据库、41 项任务，均未出现在预训练中。按博客给出的数字，在 RelBench V1 分类任务上，它比基于专家特征的梯度提升树平均高近 4 个 AUROC 点；在 SAP SALT 上，开箱即用比基于特征的 XGBoost 高 7 个 MRR 点，微调后扩大到 13 个点，并比 AutoGluon 集成高 8%、比近期表格基础模型高约 25%。

效率是另一个卖点。在 RelArena-α 榜单上，Kumo Relational 以约 17 秒/千样本的推理时间取得 1842 的 Elo，而榜首的 rt-plurel 虽然 Elo 略高至 1878，却需要约 7300 秒，慢了约 430 倍。团队还给出了鲁棒性结果：只用 0.2% 的训练数据作为上下文、删掉最多 75% 的外键连接、加入大量噪声列时，性能都没有明显崩塌。

局限也被写进了博客。当训练集非常大时，任务专用的监督模型仍可能在上下文预测之上略胜一筹，这时需要用微调；此外可预测的信号必须在有限跳数内可达，因此建议从少数相关表上的聚焦查询开始，再逐步扩展图结构。

对使用方来说，Kumo Relational 可以通过英伟达开源的 GPU 原生 structured-data-models 库获取，也可以作为 NIM 部署；预测查询语言 PQL 同时面向人和智能体，意味着 agent 可以把“谁会在下个月流失”当成一次查询来调用。值得关注的是这类模型能否在真实企业数据上复现榜单成绩，以及它会不会改变数据团队“先做特征、再训模型”的默认流程。