NVIDIA Kumo Tabular lidera o TabArena com pesos abertos

A NVIDIA lançou o Kumo Tabular em 29 de setembro de 2026, um modelo que faz previsões a partir de uma tabela no estilo de planilha sem ser treinado nela antes. O anúncio da NVIDIA diz que ele fica em primeiro lugar no TabArena, um benchmark público para esse tipo de tarefa, com uma pontuação Elo de 1.950. Os pesos podem ser baixados de graça, sob uma licença que permite uso comercial.

Dados tabulares são as linhas e colunas de um banco de dados ou de um arquivo CSV: clientes, transações, leituras de sensores. A maior parte do trabalho de previsão com eles ainda significa treinar um modelo novo para cada conjunto de dados, muitas vezes com uma biblioteca de árvores com gradient boosting. O Kumo Tabular pula essa etapa, o que muda a rapidez com que uma equipe obtém uma primeira resposta utilizável.

Como funciona a previsão em contexto

O Kumo Tabular usa aprendizado em contexto (in-context learning), a mesma ideia que permite a um modelo de chat seguir exemplos colocados no prompt. Você entrega a ele linhas em que a resposta já é conhecida. Ele as lê como contexto e depois prevê a resposta para linhas novas em uma única passada. Nada no modelo muda: não há treinamento nem atualização de pesos.

O exemplo de início rápido do card do modelo mostra como isso funciona. Você instala o pacote structured-data-models com pip, carrega uma tabela e passa juntas as linhas rotuladas e as linhas novas. O exemplo roda em uma GPU CUDA, a plataforma de placas de vídeo da NVIDIA.

Tamanhos, limites e licenças

A NVIDIA publica os pesos em três tamanhos, de 28 milhões a 215 milhões de parâmetros. Isso é minúsculo perto de um modelo de chat, e em parte é essa a ideia: ele foi feito para ser rápido e barato de rodar.

Item	Detalhe
Tamanhos do modelo	Três, de 28M a 215M de parâmetros
Tipos de coluna	Números e categorias
Colunas	Até 100
Classificação	Até 10 classes em uma passada
Linhas testadas	Conjuntos de dados de até 60.000 linhas
Licença dos pesos	OpenMDW-1.1, que segundo a NVIDIA permite uso comercial
Licença do código	Apache 2.0 para o código escrito pela NVIDIA

Texto, imagens e carimbos de data e hora precisam de pré-processamento antes que o modelo possa usá-los, informa o Superpower Daily. O repositório NVIDIA/structured-data-models contém o código. Ele exige Python 3.11 ou mais recente e PyTorch 2.7 ou mais recente, e oferece os conhecidos métodos fit() e predict(). O mesmo repositório também traz TabICLv2, TabFM e KumoRelational, os outros modelos da NVIDIA para dados estruturados.

Como ele pontua

A publicação da NVIDIA faz três afirmações:

• Primeiro lugar no TabArena, com uma pontuação Elo de 1.950.
• A melhor classificação geral no TALENT, um segundo conjunto de benchmarks para modelos tabulares.
• Previsões 17 vezes mais rápidas que as do LimiX-2, um modelo tabular concorrente.

O Superpower Daily informa que a NVIDIA fez sua avaliação em uma GPU RTX 6000 Pro. A publicação credita David Holzmüller e Vignesh Kothapalli por contribuições de pesquisa.

Os próprios mantenedores do TabArena já integraram o modelo ao código do benchmark. Um pull request mesclado em 28 de setembro de 2026 muda a forma como o TabArena encapsula o Kumo Tabular. Cópias do modelo com bagging, várias cópias cujas previsões são combinadas, agora podem fazer previsões na GPU em vez da CPU. Reconstruir o estimador a cada previsão acrescenta cerca de 16 milissegundos, segundo o pull request.

O que isso significa para os desenvolvedores

Trate o Kumo Tabular como uma nova linha de base, não como um substituto automático. Se você já tem um modelo de gradient boosting ajustado, rode os dois nas mesmas linhas reservadas e compare precisão e latência. Modelos em contexto rendem mais quando você precisa de uma resposta razoável rápido, em um conjunto de dados que ainda não modelou.

Confira os limites antes do ranking. Até 100 colunas, 10 classes por passada e conjuntos de dados testados até 60.000 linhas cobrem muitas tabelas de negócios, mas não todas. Uma tabela de atributos muito larga ou um problema multiclasse grande fica fora do que a NVIDIA mostrou.

Planeje ter uma GPU. O início rápido e o repositório são construídos em torno de CUDA, e os números divulgados pela NVIDIA vêm de uma placa de workstation de ponta. Meça a latência que você realmente obtém no hardware que usa em produção.

Leia a licença dos pesos separadamente da licença do código. O código é Apache 2.0, mas os pesos usam a OpenMDW-1.1, uma licença que muitas equipes jurídicas ainda não terão analisado. A NVIDIA diz que ela permite uso comercial. Obtenha essa confirmação por escrito antes que o modelo chegue a um sistema voltado para clientes.

Por fim, a mesclagem no TabArena é a parte que vale acompanhar. Quando um benchmark independente roda o modelo no próprio ambiente de testes, o número de Elo deixa de ser só uma alegação do fornecedor. Confira o ranking público de novo daqui a algumas semanas.