NVIDIA Kumo Tabular encabeza TabArena con pesos abiertos

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.