NVIDIA Kumo Tabular prend la tête de TabArena avec des poids ouverts

NVIDIA a publié Kumo Tabular le 29 septembre 2026, un modèle qui fait des prédictions à partir d'un tableau de type tableur sans avoir été entraîné dessus au préalable. L'annonce de NVIDIA indique qu'il prend la première place sur TabArena, un benchmark public pour ce type de tâche, avec un score Elo de 1 950. Les poids sont téléchargeables gratuitement, sous une licence qui autorise l'usage commercial.

Les données tabulaires, ce sont les lignes et les colonnes d'une base de données ou d'un fichier CSV : clients, transactions, relevés de capteurs. La plupart des travaux de prédiction sur ces données consistent encore à entraîner un nouveau modèle pour chaque jeu de données, souvent avec une bibliothèque d'arbres à gradient boosting. Kumo Tabular saute cette étape, ce qui change la rapidité avec laquelle une équipe obtient une première réponse utilisable.

Comment fonctionne la prédiction en contexte

Kumo Tabular utilise l'apprentissage en contexte (in-context learning), la même idée qui permet à un modèle de chat de suivre des exemples placés dans son prompt. Vous lui donnez des lignes dont la réponse est déjà connue. Il les lit comme contexte, puis prédit la réponse pour de nouvelles lignes en une seule passe. Rien ne change dans le modèle : il n'y a ni phase d'entraînement ni mise à jour des poids.

L'exemple de démarrage rapide de la fiche du modèle en montre le principe. Vous installez le paquet structured-data-models avec pip, chargez un tableau, puis passez ensemble les lignes étiquetées et les nouvelles lignes. L'exemple tourne sur un GPU CUDA, la plateforme de cartes graphiques de NVIDIA.

Tailles, limites et licences

NVIDIA publie les poids en trois tailles, de 28 millions à 215 millions de paramètres. C'est minuscule à côté d'un modèle de chat, et c'est en partie le but : il est conçu pour être rapide et peu coûteux à faire tourner.

Élément	Détail
Tailles du modèle	Trois, de 28M à 215M de paramètres
Types de colonnes	Nombres et catégories
Colonnes	Jusqu'à 100
Classification	Jusqu'à 10 classes en une passe
Lignes testées	Jeux de données jusqu'à 60 000 lignes
Licence des poids	OpenMDW-1.1, qui selon NVIDIA autorise l'usage commercial
Licence du code	Apache 2.0 pour le code écrit par NVIDIA

Le texte, les images et les horodatages doivent être prétraités avant que le modèle puisse les utiliser, rapporte Superpower Daily. Le dépôt NVIDIA/structured-data-models contient le code. Il nécessite Python 3.11 ou plus récent et PyTorch 2.7 ou plus récent, et il expose les méthodes familières fit() et predict(). Le même dépôt contient aussi TabICLv2, TabFM et KumoRelational, les autres modèles de NVIDIA pour les données structurées.

Ses scores

Le billet de NVIDIA avance trois affirmations :

• La première place sur TabArena, avec un score Elo de 1 950.
• Le meilleur classement général sur TALENT, une deuxième suite de benchmarks pour les modèles tabulaires.
• Des prédictions 17 fois plus rapides que celles de LimiX-2, un modèle tabulaire concurrent.

Superpower Daily rapporte que NVIDIA a mené son évaluation sur un GPU RTX 6000 Pro. Le billet crédite David Holzmüller et Vignesh Kothapalli pour leurs contributions à la recherche.

Les mainteneurs de TabArena eux-mêmes ont déjà intégré le modèle dans leur code de benchmark. Une pull request fusionnée le 28 septembre 2026 modifie la façon dont TabArena encapsule Kumo Tabular. Les copies du modèle en bagging, c'est-à-dire plusieurs copies dont les prédictions sont combinées, peuvent désormais prédire sur le GPU plutôt que sur le CPU. Reconstruire l'estimateur à chaque prédiction ajoute environ 16 millisecondes, selon la pull request.

Ce que cela signifie pour les développeurs

Considérez Kumo Tabular comme une nouvelle référence de base, pas comme un remplacement automatique. Si vous avez déjà un modèle à gradient boosting bien réglé, faites tourner les deux sur les mêmes lignes mises de côté et comparez la précision et la latence. Les modèles en contexte sont les plus forts quand vous avez besoin d'une réponse correcte rapidement, sur un jeu de données que vous n'avez encore jamais modélisé.

Vérifiez les limites avant le classement. Jusqu'à 100 colonnes, 10 classes par passe et des jeux de données testés jusqu'à 60 000 lignes couvrent beaucoup de tableaux métier, mais pas tous. Un tableau de variables très large ou un gros problème multiclasse sort de ce que NVIDIA a montré.

Prévoyez un GPU. Le démarrage rapide et le dépôt sont construits autour de CUDA, et les chiffres annoncés par NVIDIA proviennent d'une carte de station de travail haut de gamme. Mesurez la latence que vous obtenez réellement sur le matériel que vous utilisez en production.

Lisez la licence des poids séparément de celle du code. Le code est sous Apache 2.0, mais les poids utilisent OpenMDW-1.1, une licence que beaucoup d'équipes juridiques n'auront pas encore examinée. NVIDIA affirme qu'elle autorise l'usage commercial. Faites-le confirmer par écrit avant que le modèle n'atteigne un système en contact avec les clients.

Enfin, c'est la fusion dans TabArena qu'il faut surveiller. Dès qu'un benchmark indépendant exécute le modèle dans son propre environnement de test, le chiffre Elo cesse d'être une simple affirmation du fournisseur. Consultez de nouveau le classement public dans quelques semaines.