NVIDIA Kumo Relational 无需任务专用训练，在关系数据基准上超越监督学习

简要概述

NVIDIA Kumo Relational 是一种预训练的关系型基础模型，可直接基于企业数据库进行预测。给定一个预测查询，它会收集最多 10,000 个历史样本作为上下文，并通过单次前向传播预测客户流失、需求或欺诈等结果。它无需针对特定任务进行训练，无需特征工程，也无需将数据表展平。Kumo Relational 是首个在常见关系型基准测试中超越监督式机器学习的少样本基础模型。在涵盖 15 个数据库的 41 项任务中，它击败了监督式关系深度学习模型和由专家设计特征的梯度提升树流水线；在 SAP SALT 企业基准测试中，其平均倒数排名（MRR）比 AutoGluon 集成模型高出 8%。它可扩展至包含 500B+ 行的数据库，并通过 NVIDIA 开源、GPU 原生的 structured-data-models 库或以 NVIDIA NIM 的形式，同时供人类和智能体使用。

论文： https://arxiv.org/abs/2604.12596
文档： https://docs.nvidia.com/sdgm/rfm/overview

向结构化数据基础模型转变

基础模型已经改写了语言和视觉领域的技术范式。不久前，生产环境中的 NLP 还意味着每项任务都要配备一个专用模型，每个模型都有各自的分词、词形还原和 n-gram 处理流水线。LLM 让这套技术栈基本过时，原因有三：它们比最优秀的任务专用模型更准确，部署到生产环境要简单得多，而且足够灵活，能够开启智能体应用的新时代。

同样的转变如今也正在结构化数据领域发生。关系数据库支撑着全球最关键的业务决策，但基于这些数据库进行预测建模，仍需要数周的特征工程、针对特定任务的训练和流水线调优。结构化数据基础模型正在改变这一局面，原因同样有三：

当下即可获得更高准确率：作为可直接替换现有方案的模型，这些模型已经超越了许多生产流水线，尤其是 XGBoost。在 RelBench V1 分类任务中，Kumo Relational 的 AUROC 平均比采用专家设计特征的梯度提升树高出近 4 个点。在 SAP SALT 上，它开箱即用时的 MRR 就比采用人工设计特征的 XGBoost 高出 7 个点，微调后则高出 13 个点。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。

简单且敏捷：一个预训练模型即可替代针对各项任务的独立流水线。新的预测需求变成了一次查询，而不再是一个项目，因此机器学习团队终于能够着手处理组织各层级的用例，而这些用例在传统机器学习下构建起来过于费力。

能够预测的智能体：LLM 让智能体能够阅读、写作和推理。结构化数据基础模型则让它们能够预判接下来会发生什么，例如哪位客户将会流失，并据此采取行动。Kumo Relational 在设计之初就支持由智能体调用，其预测查询语言（PQL）为智能体提出预测性问题提供了简单的接口。

今天，我们推出 Kumo Relational（论文、文档），这是一种将这一范式引入关系型数据的预训练基础模型。连接数据库，描述要预测的内容，即可通过单次前向传播获得预测结果。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在于关系数据库中：用户关联订单，订单关联产品，所有数据都随时间不断变化。通过手动聚合（例如，“过去 30 天的平均订单金额”）将这些关系展平为一行，会丢失细粒度的结构信号，也需要投入大量人力。

Kumo Relational 是一种关系基础模型，直接在数据库上运行，遵循其表、外键和时间戳。它在反映真实世界数据集特征的合成关系数据上进行一次预训练，随后通过上下文学习适应每项新任务，在推理时读取最多 10,000 个上下文示例。每个示例都将某个实体在某个时间点周围的局部子图与其真实目标值配对（例如，“该用户已流失”或“该商品售出了 142 件”）。

![NVIDIA Kumo Relational 系统概览：(a) 数据库集成，(b) 将自然语言转换为预测查询的提示界面，以及 (c) 为 NVIDIA Kumo Relational 模型提供输入的自动上下文生成，该模型可跨租户水平扩展。]

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

要做出预测，Kumo Relational 必须完成三件事：(1) 理解每张表中的值，(2) 关联不同表中的记录，以及 (3) 将具有已知目标值的上下文示例与待预测实体关联起来。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) 表内的列注意力和行注意力，并注入上下文目标值；(c) 跨表的图注意力和跨样本注意力。]

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：任务使用预测查询语言 (PQL) 编写，这是一种声明式接口，只需说明要预测什么，而不必说明如何预测。对于时序任务，Kumo Relational 会重放数据库的历史状态：对截至某个锚定时间戳、以实体为中心的子图进行采样，并根据该时间戳之后的事件计算各个目标值，同时仅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，交替使用列注意力（关联同一列中的值）和行注意力（关联同一行中的特征）。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主键/外键关系上的图注意力，沿关系结构传播行嵌入，并交替运用上下文示例之间的跨样本注意力。关系推理就在这一阶段发生，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，因此该设计避免了二次方成本，并可扩展至大规模上下文和更深的子图。

Kumo Relational 是如何构建的

Kumo Relational 完全使用合成关系数据进行预训练，这些数据通过模拟生成，以反映真实世界中具有多样化预测查询的关系数据库。预训练分阶段进行，从单表逐步扩展到越来越复杂的关系结构。

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 PluRel（Kothapalli 等，ICML 2026）的方法构建，该方法将单表数据生成器扩展到完整的关系数据库。Kumo 团队成员参与了 PluRel 的开发，并共同撰写了原始论文。PluRel 分三个阶段生成每个数据库：生成模式、生成像真实数据中那样呈聚类分布的行间外键链接，以及通过具有时间趋势和跨表依赖关系的结构因果模型生成列值。生成过程开销很小，因此预训练数据实际上可以无限供应。PluRel 论文表明，随着合成数据库的增加，预训练损失遵循幂律下降，而且这些收益可以迁移到真实数据库。

通过这种预训练，模型学会了跨表筛选、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，还可以针对特定数据集和任务对 Kumo Relational 进行微调。

性能

在这篇论文中，我们在来自 RelBench V1 和 V2、SAP SALT 以及 4DBInfer 的 15 个关系数据库上的 41 项基准测试中评估了 Kumo Relational，覆盖电商、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 在分类和回归任务中均优于最强的监督学习模型，包括关系深度学习模型和由专家设计的表格集成模型。在基于 RelBench V1 比较关系模型和系统的 RelArena-α 排行榜上，它开箱即用的表现也位于准确率与效率的帕累托前沿：

![RelArena-α 排行榜散点图：纵轴为以跨任务 Elo 评分衡量的相对准确率，横轴为每 1,000 个样本的推理时间中位数（对数刻度）。Kumo Relational 位于帕累托前沿，耗时约 17 秒，Elo 评分为 1,842。得分最高的参赛模型 rt-plurel 的 Elo 评分达到 1,878，耗时约 7,300 秒，慢了约 430 倍。其他所有基础模型、特征工程系统和监督学习模型的得分都更低，运行速度也都比 Kumo Relational 更慢。]

图 3. RelArena-α 排行榜：跨任务 Elo 评分与每 1,000 个样本的推理时间中位数（对数刻度）的对比。Kumo Relational 在准确率相近的情况下，比得分最高的参赛模型快约 430×。

论文还报告，在 SAP SALT 企业基准测试中，Kumo Relational 的平均倒数排名（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%；微调后，其相对于 AutoGluon 的领先幅度扩大到 16%。它在严苛条件下也表现稳健：仅使用 0.2% 的训练数据作为上下文时仍表现良好，移除多达 75% 的外键链接后仍保持稳定，添加大量噪声列时性能也几乎没有下降。

局限性

Kumo Relational 在具有有意义的关系和时间动态特征的数据上表现最佳，例如随时间变化的用户行为。在训练集非常庞大的任务中，针对特定任务的监督模型可能仍略胜于上下文预测；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这种情况而设计的。预测信号还必须能在有限的跳数内触达，因此，应先针对少数相关表进行聚焦查询，再根据需要扩展图。

演示

Kumo Relational 可直接在数据库上原生运行上下文学习：既可在内存中运行，也可通过数据库和数据仓库连接器运行，还可通过自定义图引擎运行，该引擎通过内存映射 I/O，以高达 5 GB/s 的速度处理 500B+ 行数据。它已在 NVIDIA 新发布的 GPU 原生 structured-data-models 库中推出，这个开源库也为我们的姊妹模型 Kumo Tabular 提供支持。该库会在首次使用时从 Hugging Face Hub 下载权重，因此，你可以在配备 GPU 的 notebook 中加载模型，并直接使用它进行预测。以下代码将上下文示例、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(
    # In-context training table (fkeys/timestamps/targets):
    x_context=...,
    y_context=...,
    # Prediction examples (fkeys/timestamps):
    x_query=...,
    # Multi-table information for context/prediction entities:
    related_context_tables=...,
    related_query_tables=...,
)

有关完整的 RelBench 和 SAP SALT 流水线，包括如何对每个实体的相关表进行采样，请参阅该库的关系数据示例。

如果希望将模型作为独立服务运行，可将其部署为 NVIDIA NIM，并在 notebook 中将开源 structured-data-models-client 指向该服务。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(
    # Prediction task in Predictive Query Language (PQL):
    "PREDICT COUNT(orders.*, 0, 30, days) FOR EACH users.user_id",
    # Multi-table data as pandas DataFrames (keys/links inferred):
    {"users": ..., "orders": ...},
)
pred = client.predict(
    # Context examples and related tables for the entities to predict:
    query.materialize(indices=[1, 2, 3]),
    model=sdm_client.KumoRelational(),
)

有关连接本地 NIM 以及在 Databricks 上进行端到端运行的示例，请参阅客户端的示例 notebook。

开始使用 NVIDIA Kumo Relational 构建应用

NVIDIA Kumo Relational 现已推出。阅读研究论文、探索快速入门 notebook，或开始基于你自己的数据进行预测。代码依据 Apache 2.0 许可证发布，模型权重依据 OpenMDW License Agreement, version 1.1 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，以支持各类 AI 应用的开发。根据我们的服务条款下载或使用模型时，开发者应与为其提供支持的模型团队合作，确保该模型满足相关行业和用例的要求，并应对未预见的产品滥用。有关模型质量、风险、安全漏洞或 NVIDIA AI 的问题，请在此处报告。

论文： https://arxiv.org/abs/2604.12596
文档： https://docs.nvidia.com/sdgm/rfm/overview
代码： https://github.com/NVIDIA/structured-data-models
PyPI： https://pypi.org/project/structured-data-models/
客户端代码： https://github.com/NVIDIA/structured-data-models-client
客户端 PyPI： https://pypi.org/project/structured-data-models-client/
权重： https://huggingface.co/nvidia/Kumo-Relational
快速入门 notebook： https://github.com/NVIDIA/structured-data-models-client/blob/main/examples/local/relational.ipynb
相关研究： 预测查询语言（PQL）、PluRel、Kumo Tabular

致谢

我们感谢整个 Kumo 团队提供的宝贵支持。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。