NVIDIA Kumo Tabular führt TabArena mit offenen Gewichten an

NVIDIA hat Kumo Tabular am 29. September 2026 veröffentlicht, ein Modell, das Vorhersagen aus einer Tabelle im Stil einer Tabellenkalkulation trifft, ohne vorher darauf trainiert zu werden. Die Ankündigung von NVIDIA besagt, dass es mit einem Elo-Wert von 1.950 den ersten Platz bei TabArena belegt, einem öffentlichen Benchmark für diese Art von Aufgabe. Die Gewichte lassen sich kostenlos herunterladen, unter einer Lizenz, die kommerzielle Nutzung erlaubt.

Tabellarische Daten sind die Zeilen und Spalten einer Datenbank oder einer CSV-Datei: Kunden, Transaktionen, Sensorwerte. Die meiste Vorhersagearbeit damit bedeutet noch immer, für jeden Datensatz ein neues Modell zu trainieren, oft mit einer Bibliothek für Gradient-Boosted Trees. Kumo Tabular überspringt diesen Schritt, und das verändert, wie schnell ein Team eine erste brauchbare Antwort bekommt.

Wie In-Context-Vorhersage funktioniert

Kumo Tabular nutzt In-Context-Learning, dieselbe Idee, die ein Chatmodell Beispielen in seinem Prompt folgen lässt. Sie geben ihm Zeilen, bei denen die Antwort bereits bekannt ist. Es liest sie als Kontext und sagt dann in einem einzigen Durchgang die Antwort für neue Zeilen voraus. Am Modell selbst ändert sich nichts: Es gibt keinen Trainingslauf und keine Aktualisierung der Gewichte.

Das Schnellstart-Beispiel in der Model Card zeigt das Prinzip. Sie installieren das Paket structured-data-models mit pip, laden eine Tabelle und übergeben die gelabelten Zeilen und die neuen Zeilen zusammen. Das Beispiel läuft auf einer CUDA-GPU, der Grafikkartenplattform von NVIDIA.

Größen, Grenzen und Lizenzen

NVIDIA veröffentlicht die Gewichte in drei Größen, von 28 Millionen bis 215 Millionen Parametern. Neben einem Chatmodell ist das winzig, und genau darum geht es zum Teil: Es ist darauf ausgelegt, schnell und günstig im Betrieb zu sein.

Punkt	Detail
Modellgrößen	Drei, von 28M bis 215M Parametern
Spaltentypen	Zahlen und Kategorien
Spalten	Bis zu 100
Klassifikation	Bis zu 10 Klassen in einem Durchgang
Getestete Zeilen	Datensätze mit bis zu 60.000 Zeilen
Lizenz der Gewichte	OpenMDW-1.1, die laut NVIDIA kommerzielle Nutzung erlaubt
Lizenz des Codes	Apache 2.0 für von NVIDIA geschriebenen Code

Text, Bilder und Zeitstempel müssen vorverarbeitet werden, bevor das Modell sie nutzen kann, berichtet Superpower Daily. Das Repository NVIDIA/structured-data-models enthält den Code. Es setzt Python 3.11 oder neuer und PyTorch 2.7 oder neuer voraus und bietet die vertrauten Methoden fit() und predict(). Dasselbe Repository enthält auch TabICLv2, TabFM und KumoRelational, die anderen Modelle von NVIDIA für strukturierte Daten.

Wie es abschneidet

Der Beitrag von NVIDIA stellt drei Behauptungen auf:

• Platz eins bei TabArena, mit einem Elo-Wert von 1.950.
• Die beste Gesamtplatzierung bei TALENT, einer zweiten Benchmark-Suite für tabellarische Modelle.
• Vorhersagen, die 17-mal schneller sind als bei LimiX-2, einem konkurrierenden Tabellenmodell.

Superpower Daily berichtet, dass NVIDIA seine Auswertung auf einer RTX 6000 Pro GPU durchgeführt hat. Der Beitrag nennt David Holzmüller und Vignesh Kothapalli für ihre Forschungsbeiträge.

Die Maintainer von TabArena selbst haben das Modell bereits in ihren Benchmark-Code eingebunden. Ein am 28. September 2026 gemergter Pull Request ändert, wie TabArena Kumo Tabular einbindet. Gebaggte Kopien des Modells, also mehrere Kopien, deren Vorhersagen kombiniert werden, können jetzt auf der GPU statt auf der CPU vorhersagen. Das Neuaufbauen des Estimators für jede Vorhersage kostet laut dem Pull Request etwa 16 Millisekunden zusätzlich.

Was das für Entwickler bedeutet

Behandeln Sie Kumo Tabular als neue Baseline, nicht als automatischen Ersatz. Wenn Sie bereits ein abgestimmtes Gradient-Boosted-Modell haben, lassen Sie beide auf denselben zurückgehaltenen Zeilen laufen und vergleichen Sie Genauigkeit und Latenz. In-Context-Modelle sind am stärksten, wenn Sie schnell eine ordentliche Antwort brauchen, für einen Datensatz, den Sie noch nicht modelliert haben.

Prüfen Sie die Grenzen vor der Rangliste. Bis zu 100 Spalten, 10 Klassen pro Durchgang und bis zu 60.000 Zeilen getestete Datensätze decken viele Geschäftstabellen ab, aber nicht alle. Eine breite Feature-Tabelle oder ein großes Mehrklassenproblem liegt außerhalb dessen, was NVIDIA gezeigt hat.

Planen Sie eine GPU ein. Der Schnellstart und das Repository sind auf CUDA ausgelegt, und die von NVIDIA gemeldeten Zahlen stammen von einer High-End-Workstation-Karte. Messen Sie die Latenz, die Sie auf der Hardware in Ihrer Produktion tatsächlich erreichen.

Lesen Sie die Lizenz der Gewichte getrennt von der Lizenz des Codes. Der Code steht unter Apache 2.0, die Gewichte aber unter OpenMDW-1.1, einer Lizenz, die viele Rechtsabteilungen noch nicht geprüft haben dürften. NVIDIA sagt, sie erlaube kommerzielle Nutzung. Lassen Sie sich das schriftlich bestätigen, bevor das Modell in ein System mit Kundenkontakt gelangt.

Schließlich ist der Merge bei TabArena der Teil, den man im Auge behalten sollte. Sobald ein unabhängiger Benchmark das Modell in seiner eigenen Testumgebung ausführt, ist der Elo-Wert nicht mehr nur eine Herstellerangabe. Schauen Sie in ein paar Wochen noch einmal auf die öffentliche Rangliste.