A NVIDIA apresentou o Kumo Tabular, um modelo aberto para previsão em dados organizados em tabelas, como registos de clientes, transações e encomendas. Segundo a empresa, o sistema realiza tarefas de classificação e regressão sem treino ou ajuste específico para cada tarefa: recebe linhas com rótulos conhecidos e linhas por prever e produz resultados numa única passagem. O anúncio foi publicado na plataforma Hugging Face a 29 de setembro de 2026.
A empresa afirma que o modelo foi pré-treinado exclusivamente com dados artificiais e está disponível em três dimensões, entre 28 milhões e 215 milhões de parâmetros. A NVIDIA indica que o modelo pode ser utilizado comercialmente ao abrigo da licença OpenMDW-1.1. Os pesos estão disponíveis no Hugging Face e o código é associado, na publicação, ao repositório NVIDIA/structured-data-models no GitHub.
O Kumo Tabular é descrito como um Transformer concebido para a estrutura das tabelas. A arquitetura combina mecanismos de atenção para analisar os valores dentro de cada coluna, as relações entre colunas de uma mesma linha e as ligações entre exemplos rotulados e linhas por prever. Para classificação, devolve probabilidades por classe. Para regressão, produz 999 quantis, dos quais, segundo a publicação, se obtêm uma previsão pontual e uma estimativa de incerteza.
A NVIDIA afirma que o modelo ocupa o primeiro lugar em quatro avaliações: TabArena, BeyondArena, TALENT e ScoringBench. O material fornecido não inclui pontuações, configurações de teste ou uma comparação independente que permita verificar essas posições. Por isso, a alegação de liderança deve ser atribuída à empresa, não apresentada como uma conclusão confirmada de forma independente.
A proposta procura reduzir algumas etapas habituais do desenvolvimento de modelos tabulares, como a engenharia de características e a pesquisa de hiperparâmetros. Em vez de aprender cada tarefa do zero, o sistema usa as linhas rotuladas como contexto para prever outras linhas. A NVIDIA afirma também que os valores em falta são tratados pela arquitetura sem imputação. De acordo com a publicação, o contexto pode ser reutilizado em previsões posteriores.
O excerto disponível não apresenta medições de velocidade, custos de execução ou limites práticos para a dimensão dos conjuntos de dados. Também não quantifica em que condições o Kumo Tabular supera métodos estabelecidos, incluindo árvores impulsionadas por gradiente, que a própria publicação descreve como comuns neste domínio. A disponibilização de pesos e código permite testar o modelo, mas não demonstra, por si só, a sua adequação a uma aplicação concreta. Essa avaliação dependerá de testes com dados e requisitos específicos.
Porque importa
Se a abordagem funcionar em conjuntos de dados reais e diversos, poderá simplificar a criação de previsões tabulares, reduzindo o trabalho de preparação e treino específico. Resultados independentes e testes em contextos concretos serão essenciais para avaliar essa utilidade.