直接连接企业数据库的新型预测基础模型
2026年10月21日，英伟达宣布推出预训练关系型基础模型Kumo Relational。该模型旨在直接对企业实时关系型数据库进行预测，无需针对具体任务进行模型训练或特征工程。
该模型免去了任务专用的模型训练和复杂的特征工程流程，从而显著降低了在企业关系型数据库中部署预测性人工智能的门槛。
这一产品源于英伟达于2026年6月以超4亿美元完成的对企业预测AI初创公司Kumo.AI的收购，其核心团队与图神经网络技术随后被整合至英伟达的AI基础设施中。
英伟达在产品定义中将Kumo Relational与Kumo Predict做了明确区分：前者是在推理时直接采用固定预训练权重的基础模型，后者则是用于构建和训练特定任务专用模型的传统AutoML与图神经网络管道。
KumoRFM-2架构与上下文推理机制
Kumo Relational建立在KumoRFM-2架构之上，内部集成了关系图Transformer以及表不变行编码器。
在推理运行方式上，该模型通过对数据库子图进行上下文学习来完成预测，在推理过程中最多可提取10000个已知结果的历史样本作为参考上下文。
系统完整保留了原始数据表结构、外键关联以及时间戳信息，调用者无需预先将多个关联业务表展平为单一的宽特征表。
预测任务通过预测查询语言PQL进行声明，系统利用锚点时间戳采样以实体为中心的子图，以此杜绝未来数据泄露的问题。
在部署方式上，Kumo Relational可通过开源的structured-data-models库在本地Python进程中运行，亦可作为英伟达NIM端点调用，其NIM 1.0.0版本模型的参数量为3100万。
基准评测表现与第三方实测数据
英伟达宣称，Kumo Relational是首个在常见关系型基准测试中性能超越传统监督式机器学习的少样本基础模型。
官方评估覆盖了RelBench V1、V2、SAP SALT及4DBInfer等15个数据库中的41项预测任务，所有测试数据均未包含在预训练数据集中。
评测结果表明，在RelBench V1分类任务中，该模型平均表现比基于专家设计特征的梯度提升树高出近4个AUROC点。
在面向企业级场景的SAP SALT基准上，Kumo Relational在开箱即用状态下比XGBoost高出7个MRR点，经过微调后领先优势达到13个点。
同样在SAP SALT基准中，该模型的MRR比大型AutoGluon集成模型高出8%，比近期的表格基础模型高出约25%；进行微调后对AutoGluon的领先优势进一步扩大至16%。
媒体AI TechBook在2000名H&M消费者真实数据上进行了独立测试，零训练状态下的Kumo取得了0.671的AUC，对比之下基于105000行数据训练的XGBoost管道AUC为0.691。
该独立测试进一步显示，在提供相同标签数量时，Kumo的AUC高出4个点；而达到包含20个手工设计特征的完整XGBoost管道表现，Kumo所需标签数量减少了21倍。