Vking⋅AI - 不用训练就能预测表格：NVIDIA 开源 Kumo Tabular，顺手刷了四个榜

# 不用训练就能预测表格：NVIDIA 开源 Kumo Tabular，顺手刷了四个榜

9 月 29 日，NVIDIA 在 Hugging Face 上发布了 **Kumo Tabular**。它可能是这轮模型发布潮里最「不性感」、但最实用的一款：**不用训练、不用调参、不用做特征工程**，把一张带标签的表格喂进去，它一次性输出新行的预测结果。

一、它解决了什么「老大难」

在真实业务里，**表格数据（tabular）才是绝大多数**：风控、销量预测、用户分层、设备故障预警……但传统机器学习在这块有个尴尬——**每个新任务都要重新训练模型、清洗特征**，门槛高、周期长。

Kumo Tabular 的思路是把这件事**「基础模型化」**：

读入一张带标签的表格；

一次前向传播就给出新行的预测；

无需训练、无需调参、无需特征工程。

NVIDIA 一次性放出**三种规格（2800 万到 2.15 亿参数）**，采用 **OpenMDW-1.1** 许可，允许商用。按官方测量，它在 **TabArena、BeyondArena、TALENT、ScoringBench** 四个基准上都排名第一。

NVIDIA 没有回避局限，明说了两点：

只处理数值型和类别型列（不处理文本）；

需要 CUDA GPU。

也就是说，它是**「表格领域的基础模型」**，不是又一个聊天大模型。这个诚实的定位，反而让它更容易被真正用起来。

Cohere Embed 5 转为正式可用（GA），接入 Cohere API、Model Vault、Microsoft Foundry 和 SageMaker；

Gemini 4 Argon 面向选定用户开放，并给出了 API 定价。

把它们和 Kumo Tabular 放在一起，能看出一个共同点：**2026 年的模型市场，正在被「专用模型」填满**——嵌入、表格、决策、语音、视频，每一类都有专门的开源或商用模型，而不是全部塞给一个通用模型。

原因很朴素：

成本：专用模型参数小、推理便宜；

效果：在一个窄领域里做到极致，比通用模型「样样通、样样松」更靠谱；

可部署：小到能本地跑，数据不出门。

通用大模型负责「理解世界」，专用模型负责「**把某件事做到 95 分**」。这两者不是竞争，而是分工。

Kumo Tabular 提醒我们：**AI 的进步不只有「参数更大」这一种**。把一类长期依赖人工特征工程的脏活累活，变成一个开箱即用的模型，本身就是巨大的价值。对做数据的人来说，这可能是 9 月最值得试的一款。