NVIDIA Kumo Tabular encabeza TabArena con pesos abiertos
Kumo Tabular de NVIDIA predice a partir de una tabla etiquetada en una sola pasada, sin ningún entrenamiento. Ocupa el primer puesto en TabArena con 1.950 Elo, en tamaños de 28M a 215M.
Por Claire Whitmore
3 min de lectura
Traducido automáticamente del original en inglés, que Claire Whitmore verificó y editó. Prevalece la versión en inglés. Cómo trabajamos

En cifras
- Elo score, first place on TabArena
- 1,950
- faster than LimiX-2, according to NVIDIA
- 17x
- parameters across the three model sizes
- 28M-215M
- classes in one classification pass
- 10
NVIDIA publicó Kumo Tabular el 29 de septiembre de 2026, un modelo que hace predicciones a partir de una tabla de tipo hoja de cálculo sin haber sido entrenado antes con ella. El anuncio de NVIDIA dice que ocupa el primer puesto en TabArena, un benchmark público para este tipo de tarea, con una puntuación Elo de 1.950. Los pesos se pueden descargar gratis bajo una licencia que permite el uso comercial.
Los datos tabulares son las filas y columnas de una base de datos o de un archivo CSV: clientes, transacciones, lecturas de sensores. La mayor parte del trabajo de predicción con ellos todavía implica entrenar un modelo nuevo para cada conjunto de datos, a menudo con una biblioteca de árboles con gradient boosting. Kumo Tabular se salta ese paso, lo que cambia la rapidez con la que un equipo obtiene una primera respuesta útil.
Cómo funciona la predicción en contexto
Kumo Tabular usa el aprendizaje en contexto (in-context learning), la misma idea que permite a un modelo de chat seguir los ejemplos colocados en su prompt. Usted le entrega filas cuya respuesta ya se conoce. El modelo las lee como contexto y luego predice la respuesta para filas nuevas en una sola pasada. Nada del modelo cambia: no hay entrenamiento ni actualización de pesos.
El ejemplo de inicio rápido de la ficha del modelo muestra cómo funciona. Usted instala el paquete structured-data-models con pip, carga una tabla y pasa juntas las filas etiquetadas y las filas nuevas. El ejemplo se ejecuta en una GPU CUDA, la plataforma de tarjetas gráficas de NVIDIA.
Tamaños, límites y licencias
NVIDIA publica los pesos en tres tamaños, de 28 millones a 215 millones de parámetros. Eso es diminuto al lado de un modelo de chat, y en parte de eso se trata: está hecho para ser rápido y barato de ejecutar.
| Elemento | Detalle |
|---|---|
| Tamaños del modelo | Tres, de 28M a 215M parámetros |
| Tipos de columna | Números y categorías |
| Columnas | Hasta 100 |
| Clasificación | Hasta 10 clases en una pasada |
| Filas probadas | Conjuntos de datos de hasta 60.000 filas |
| Licencia de los pesos | OpenMDW-1.1, que según NVIDIA permite el uso comercial |
| Licencia del código | Apache 2.0 para el código escrito por NVIDIA |
El texto, las imágenes y las marcas de tiempo necesitan preprocesarse antes de que el modelo pueda usarlos, informa Superpower Daily. El repositorio NVIDIA/structured-data-models contiene el código. Requiere Python 3.11 o posterior y PyTorch 2.7 o posterior, y ofrece los conocidos métodos fit() y predict(). El mismo repositorio incluye también TabICLv2, TabFM y KumoRelational, los otros modelos de NVIDIA para datos estructurados.
Cómo puntúa
La publicación de NVIDIA hace tres afirmaciones:
- El primer puesto en TabArena, con una puntuación Elo de 1.950.
- La mejor clasificación general en TALENT, un segundo conjunto de benchmarks para modelos tabulares.
- Predicciones 17 veces más rápidas que las de LimiX-2, un modelo tabular de la competencia.
Superpower Daily informa de que NVIDIA realizó su evaluación en una GPU RTX 6000 Pro. La publicación reconoce a David Holzmüller y Vignesh Kothapalli por sus contribuciones a la investigación.
Los propios mantenedores de TabArena ya han integrado el modelo en el código de su benchmark. Una pull request fusionada el 28 de septiembre de 2026 cambia la forma en que TabArena envuelve a Kumo Tabular. Las copias del modelo con bagging, varias copias cuyas predicciones se combinan, ahora pueden predecir en la GPU en lugar de en la CPU. Reconstruir el estimador para cada predicción añade unos 16 milisegundos, según la pull request.
Qué significa esto para los desarrolladores
Trate Kumo Tabular como una nueva línea base, no como un sustituto automático. Si ya tiene un modelo de gradient boosting ajustado, ejecute ambos sobre las mismas filas reservadas y compare la precisión y la latencia. Los modelos en contexto rinden mejor cuando usted necesita una respuesta aceptable rápido, con un conjunto de datos que no ha modelado antes.
Revise los límites antes que la clasificación. Hasta 100 columnas, 10 clases por pasada y conjuntos de datos probados hasta 60.000 filas cubren muchas tablas de negocio, pero no todas. Una tabla de características muy ancha o un problema multiclase grande queda fuera de lo que NVIDIA ha mostrado.
Cuente con una GPU. El inicio rápido y el repositorio están construidos en torno a CUDA, y las cifras que publica NVIDIA proceden de una tarjeta de estación de trabajo de gama alta. Mida la latencia que obtiene realmente en el hardware que usa en producción.
Lea la licencia de los pesos por separado de la licencia del código. El código es Apache 2.0, pero los pesos usan OpenMDW-1.1, una licencia que muchos equipos jurídicos aún no habrán revisado. NVIDIA dice que permite el uso comercial. Pida que se lo confirmen por escrito antes de que el modelo llegue a un sistema de cara al cliente.
Por último, la fusión en TabArena es lo que conviene vigilar. En cuanto un benchmark independiente ejecuta el modelo en su propio entorno de pruebas, la cifra de Elo deja de ser solo una afirmación del proveedor. Vuelva a consultar la clasificación pública dentro de unas semanas.
Fuentes
- NVIDIA Kumo Tabular Sets a New Accuracy-Efficiency Frontier for Tabular Prediction - Hugging Face
- nvidia/Kumo-Tabular - Hugging Face
- NVIDIA/structured-data-models - GitHub
- Kumo Tabular: keep the network outside the estimator so bagged models predict on the GPU - TabArena on GitHub
- NVIDIA Releases Kumo Tabular to Predict From Tables Without Task-Specific Training - Superpower Daily
Artículos relacionados

Nvidia Nemotron 3.5 Transcribe: un solo modelo de voz abierto
Nemotron 3.5 Transcribe de Nvidia es un modelo de pesos abiertos que transcribe 40 idiomas, identifica a los hablantes y traduce, entrenado con 463.062 horas de audio.

Nanbeige4.3-33B, un modelo abierto que supera a Qwen en programación con agentes
El laboratorio Nanbeige de BOSS Zhipin lanzó Nanbeige4.3-33B bajo Apache 2.0 y afirma lograr 80,9 en Terminal-Bench 2.1, frente a 73,0 de Qwen3.8-27B.

Holo4: los modelos de agentes de pesos abiertos logran un 61,7 % en OSWorld 2.0
Holo4-27B de H Company logra un 61,7 % en OSWorld 2.0 a 1,22 dólares por tarea, pero solo su modelo hermano bajo Apache 2.0, 35B-A3B, puede autoalojarse con fines comerciales.