TL;DR

NVIDIA Kumo Relational 是一个预训练的关系型基础模型，可直接在企业数据库上进行预测。给定一个预测查询，它会收集多达 10,000 条历史样本作为上下文，并在单次前向传播中预测流失、需求或欺诈等结果。它无需任务特定训练、无需特征工程，也无需将表展平。Kumo Relational 是首个在常见关系型基准测试上超越监督机器学习的少样本基础模型。在 15 个数据库的 41 项任务中，它击败了监督式关系深度模型和专家工程化的梯度提升树流水线，并在 SAP SALT 企业基准测试上以平均倒数排名（MRR）超越 AutoGluon 集成 8%。它可扩展到 500B+ 行的数据库，并通过 NVIDIA 开源、GPU 原生的 structured-data-models 库或作为 NVIDIA NIM，同时服务于人类和智能体。

向结构化数据基础模型的转变

基础模型已经改写了语言和视觉领域的规则。不久前，生产级 NLP 还意味着每个任务一个专用模型，每个模型都由自己的分词、词形还原和 n-gram 流水线供给。LLM 使这套技术栈在很大程度上过时，原因有三：它们比最好的任务特定模型更准确，投入生产要简单得多，并且足够灵活，足以开启智能体应用的新时代。

同样的转变如今正在结构化数据领域发生。关系型数据库支撑着世界上最关键的业务决策，但在其上做预测建模仍然需要数周的特征工程、任务特定训练和调优过的流水线。结构化数据基础模型出于同样的三个原因改变了这一点：

如今更高的准确率：作为可直接替换的方案，这些模型已经胜过许多生产流水线，尤其是 XGBoost。在 RelBench V1 分类任务上，Kumo Relational 在专家工程特征上比梯度提升树平均高出近 4 个 AUROC 点。在 SAP SALT 上，它在工程特征上开箱即用即比 XGBoost 高出 7 个 MRR 点，微调后高出 13 个 MRR 点。这些结果有力地支持了用 Kumo Relational 替换生产环境中的 XGBoost 流水线。

简单性与敏捷性：一个预训练模型取代了针对各个任务的独立流水线。新的预测变成一次查询，而不是一个项目，因此 ML 团队终于可以承接那些传统 ML 在每个组织层级都过于繁琐而难以构建的用例。

能够预测的智能体：LLM 让智能体能够读取、写入和推理。结构化数据基础模型让它们能够预判接下来会发生什么，例如哪位客户会流失，并据此采取行动。Kumo Relational 本身就已设计为可被智能体调用，其预测查询语言（PQL）为它们提供了一个提出预测性问题的简单接口。

今天，我们推出Kumo Relational（论文、文档），这是一个预训练基础模型，将这一范式带入关系型数据。连接数据库，描述要预测的内容，一次前向传播即可获得预测结果。无需训练。

Kumo Relational 的工作原理

大多数面向结构化数据的基础模型都在单张扁平表上运行。而现实世界的数据存储在关系型数据库中：用户关联订单，订单关联产品，一切都在随时间演变。通过手动聚合将这些关系展平为一行（例如，“过去 30 天的平均订单价值”）会丢失细粒度的结构信号，并且需要大量人工投入。

Kumo Relational 是一个关系型基础模型，它直接在数据库上运行，遵循其表、外键和时间戳。它只需在反映真实世界数据集的合成关系型数据上预训练一次，并通过上下文学习适应每个新任务，在推理时最多读取 10,000 个上下文示例。每个示例将一个实体在某一时间点周围的局部子图与其真实目标配对（例如，“该用户流失”或“该商品售出 142 件”）。

![NVIDIA Kumo Relational 系统概览：(a) 数据库集成，(b) 将自然语言转化为预测查询的提示接口，(c) 自动上下文生成，输入到 NVIDIA Kumo Relational 模型，该模型可跨租户水平扩展。]kumo-relational-architecture

图 1. Kumo Relational 系统概览。连接数据库，指定预测查询，其余工作由 Kumo Relational 处理，从上下文生成到模型推理。

要进行预测，Kumo Relational 必须完成三件事：(1)理解每张表中的值，(2)关联跨表的记录，以及(3)将带有已知目标的上下文示例与被预测的实体关联起来。其工作原理如下：

![Kumo Relational 架构：(a) 包含任务、用户、订单和商品表的上下文输入；(b) 表内注入上下文目标的列注意力和行注意力；(c) 跨表的图注意力和跨样本注意力。]kumo-relational-system-overview

图 2. Kumo Relational 架构：(a) 上下文输入，(b) 表内推理，(c) 跨表推理。

自动上下文生成：任务以预测查询语言（PQL）编写，这是一种声明式接口，你只需说明要预测什么，而无需说明如何预测。对于时序任务，Kumo Relational 会重放历史数据库状态：它采样截至某个锚点时间戳的以实体为中心的子图，并根据该时间戳之后的事件计算每个目标，同时只向模型提供该时间戳之前的数据。这可以防止数据泄漏。

表内推理：一个轻量级网络独立处理每张表，交替进行列注意力（关联同一列内的值）和行注意力（关联同一行内的特征）。模型会学习哪些列和行对当前预测重要，并在噪声传播之前将其过滤掉。

跨表推理：一个更大的网络通过在主键/外键关系上进行图注意力，将行嵌入分布到关系结构中，并与跨上下文示例的跨样本注意力交错进行。关系推理就发生在这里，例如将用户的个人资料与其交易历史关联起来。由于这一阶段处理的是行嵌入，而不是每张表中的每个单元格，该设计避免了二次方成本，并能扩展到大型上下文和更深的子图。

Kumo Relational 是如何构建的

Kumo Relational 完全在合成关系数据上进行预训练，这些数据经过模拟以反映具有多样预测查询的真实世界关系数据库。预训练分阶段进行，从单表到日益复杂的关系结构。

预训练所需的多样化关系数据库很少公开，因此合成数据填补了这一空白。Kumo Relational 的生成器基于以下方法构建PluRel（Kothapalli 等，ICML 2026），该方法将单表数据生成器扩展到完整的关系数据库。Kumo 团队的成员帮助开发了 PluRel，并共同撰写了原始论文。PluRel 分三个阶段生成每个数据库：模式；行之间像真实数据中那样聚类的 外键链接；以及来自具有时间趋势和跨表依赖关系的结构因果模型的列值。生成过程轻量，因此预训练数据实际上是无限的，而且 PluRel 论文表明，随着合成数据库的增加，预训练损失遵循幂律，其收益可迁移到真实数据库。

通过这种预训练，模型学会跨表过滤、关联和聚合信息，而不是依赖固定的聚合方式。当最高准确率至关重要时，Kumo Relational 还可以在特定数据集和任务上进行微调。

性能

在本文中，我们在来自 RelBench V1 和 V2、SAP SALT 以及 4DBInfer 的 15 个关系型数据库的 41 个基准测试上评估了 Kumo Relational，涵盖电子商务、医疗、企业、社交和学术领域。这些数据集均未在预训练中出现过。Kumo Relational 在分类和回归任务上均优于最强的监督模型，包括关系深度学习模型和专家工程化的表格集成模型。在RelArena-α排行榜上，该榜单在 RelBench V1 上比较关系模型和系统，它开箱即处于准确率-效率帕累托前沿：

![RelArena-α 排行榜的散点图：跨任务的相对准确率（以 Elo 表示，y 轴）与每 1,000 个样本的中位推理时间（x 轴，对数刻度）的关系。Kumo Relational 位于帕累托前沿，约 17 秒、Elo 1,842。得分最高的条目 rt-plurel 在约 7,300 秒时达到 Elo 1,878，大约慢 430 倍。其他所有基础模型、特征工程系统和监督模型的得分都低于 Kumo Relational，且运行更慢。]relarena-alpha-leaderboard

图 3. RelArena-α 排行榜：跨任务的 Elo 与每 1,000 个样本的中位推理时间（对数刻度）。在准确率相近的情况下，Kumo Relational 比得分最高的条目快约 430 倍。

论文还报告称，在 SAP SALT 企业基准测试上，Kumo Relational 在平均倒数排名（MRR）上比大型 AutoGluon 集成模型高出 8%，比近期的表格基础模型高出约 25%，而微调将其对 AutoGluon 的领先优势扩大到 16%。它在严苛条件下同样表现稳健：仅用 0.2% 的训练数据作为上下文也能表现良好，在移除多达 75% 的外键链接时保持稳定，并且在添加大量噪声列时几乎不退化。

局限性

Kumo Relational 在具有有意义关系和时间动态的数据上表现最佳，例如用户随时间变化的行为。在训练集非常大的任务上，任务特定的监督模型可能仍会在上下文预测中略胜一筹，而在我们的基准测试中，上下文预测最多使用了 10,000 个上下文示例。基础模型的微调正是为此类情况设计的。预测信号还必须在有限跳数内可达，因此请先从针对少数相关表的聚焦查询开始，再根据需要扩展图。

演示

Kumo Relational 原生地在数据库上运行上下文学习：在内存中、通过数据库和数据仓库连接器，或通过自定义图引擎，该引擎通过内存映射 I/O 以最高 5 GB/s 的速度处理 500B+ 行。它已在 NVIDIA 新发布的、GPU 原生的结构化数据模型库中提供，该开源库也正是驱动我们姊妹模型的同一库，Kumo Tabular。该库在首次使用时从 Hugging Face Hub 下载权重，因此你可以在 GPU 支持的 notebook 中加载模型并直接从中预测。下面的代码将上下文示例、预测实体及其相关表传递给模型：

# pip install structured-data-models
import sdm

model = sdm.models.KumoRelational(device="cuda")
pred = model(
    # 上下文训练表（外键/时间戳/目标）：
    x_context=...,
    y_context=...,
    # 预测示例（外键/时间戳）：
    x_query=...,
    # 上下文/预测实体的多表信息：
    related_context_tables=...,
    related_query_tables=...,
)

请参阅该库的关系示例以获取完整的 RelBench 和 SAP SALT 流水线，包括如何为每个实体采样其相关表。

若要将模型作为独立服务运行，请将其部署为 NVIDIA NIM，并在 notebook 中将开源structured-data-models-client指向它。你用 PQL 编写预测，客户端会收集上下文示例和相关表，然后发送请求：

# pip install 'structured-data-models-client[relational]'
import sdm_client

client = sdm_client.SDMClient(url="http://localhost:8001")  # NIM URL
query = sdm_client.PredictiveQuery(
    # 用预测查询语言（PQL）表示的预测任务：
    "PREDICT COUNT(orders.*, 0, 30, days) FOR EACH users.user_id",
    # 以 pandas DataFrame 形式提供的多表数据（键/链接自动推断）：
    {"users": ..., "orders": ...},
)
pred = client.predict(
    # 待预测实体的上下文示例和相关表：
    query.materialize(indices=[1, 2, 3]),
    model=sdm_client.KumoRelational(),
)

请参阅客户端的示例 notebook用于针对本地 NIM 以及在 Databricks 上的端到端运行。

使用 NVIDIA Kumo Relational 开始构建

NVIDIA Kumo Relational 现已可用。阅读研究论文，探索快速入门 notebook，或开始在你自己的数据上进行预测。代码以 Apache 2.0 许可证发布，模型权重以 OpenMDW 许可证协议 1.1 版发布。NVIDIA 认为可信 AI 是一项共同责任，我们已制定相关政策和实践，以支持广泛的 AI 应用开发。当按照我们的服务条款下载或使用时，开发者应与支持该模型的团队合作，确保该模型满足相关行业和使用场景的要求，并应对不可预见的产品滥用。请在此处报告模型质量、风险、安全漏洞或 NVIDIA AI 相关问题此处。

致谢

我们感谢整个 Kumo 团队的宝贵支持。特别感谢 Josh Przybylko、Adi Wadaskar、Hema Raghavan、Manush Murali、Raja Rao DV、Keti Jovanovska、Zack Drach、Vanja Josifovski、Myungwhan Kim、Blaž Stojanovič、Siyang Xie、Alan Krumholz、Effy Fang、Abdullah Al-chihabi、Disha Dubey、Devan Johnson、Joseph Oliveira、Angela Liu、Miha Pelko、Vedaant Jain、Sally Liu、Aleksandar S. Sokolovski、Alex Porter 和 Ramona Bendias。