核心发布
NVIDIA于上海时间10月22日经Hugging Face官方博客正式发布关系型基础模型Kumo Relational。这不是通用语言模型，而是面向企业关系型数据库的预训练基础模型，主打分类与回归预测：连接数据库、写清预测目标后，单次前向即可给出结果，无需为每个任务单独训练、做特征工程或把多表压平成单表。官方明确标注Available today，代码按Apache 2.0开放，模型权重按OpenMDW许可协议1.1版提供，可经开源库或NIM调用，也可被智能体直接调用。对中国企业用户而言，其价值在于把流失、需求、欺诈等结构化预测从做项目变成写查询，尤其适合已有用户、订单、商品等多表关联与时间动态的场景。
能力与访问条件
Kumo Relational直接在数据库结构上工作，尊重表、主键外键与时间戳。推理时最多读取1万个历史样例作为上下文，每个样例是某实体在某锚点时刻的局部子图加真实目标，例如该用户是否流失、该商品卖出142件。任务用声明式预测查询语言PQL书写，只说预测什么、不写怎么做；涉及时序任务会回放历史库状态，按锚点时间采样子图并用锚点后事件算目标，只给模型看锚点前数据以防泄漏。表内先用轻量网络交替做列注意力和行注意力，过滤噪声；跨表再用图注意力沿主键外键传递行嵌入，并穿插跨样本注意力关联上下文样例与待预测实体，如把用户画像与其交易历史关联。因跨表阶段只处理行嵌入而非每个单元格，避免二次方开销，可扩展到大上下文与深子图。部署上支持内存、数据库与数仓连接器，以及经内存映射以最高约5GB每秒处理5000亿行以上的定制图引擎；本地库用法为pip安装structured-data-models后加载KumoRelational，NIM用法为部署服务后经开源client以PQL发起预测，官方提供关系型示例与快速入门笔记本。
与既有方案的实质差异与评测条件
与逐任务训练的梯度提升树和关系深度学习管线相比，Kumo Relational把一个预训练模型加上下文样例替代多条专用管线，新预测变成查询而非新项目。官方称这是首个在常用关系基准上超越有监督机器学习的小样本基础模型，结论限受控评测：41个任务来自15个关系库，覆盖电商、医疗、企业、社交与学术，来自RelBench第一版与第二版、SAP SALT与4DBInfer，且均未见于预训练。在RelBench第一版分类上平均超专家特征梯度提升树近4个AUROC点；在SAP SALT企业基准上开箱超AutoGluon集成约8%平均倒数排名，超近期表格基础模型约25%，微调后对AutoGluon领先扩大到16%，开箱超工程特征XGBoost约7个MRR点，微调后超约13个点；在RelArena-α榜单上以约1842 Elo居精度效率帕累托前沿，千样本中位推理约17秒，最高分条目虽达约1878 Elo但耗时约7300秒，慢约430倍。鲁棒性方面，仅用0.2%训练数据作上下文仍可用，移除最多75%外键链接保持稳定，加入大量噪声列退化很小。以上均为官方在固定配方与有限上下文内的结果，公司自述的领先未获独立第三方复现，不应视为普遍保证。
限制与适用对象
官方明确的边界是：在有意义关系与时间动态的数据上最好；训练集非常大时，任务专用有监督模型仍可能在上下文预测上略优，评测中上下文最多用1万例，这种情形正是为微调准备的；预测信号需在有限跳数内可达，建议从聚焦少数相关表的查询起步，再按需扩大图。模型由全合成关系数据预训练，生成器沿用PluRel思路分三阶段生成库结构、外键链接与列值，虽称预训练损失随合成库增加呈幂律下降并迁移到真实库，但仍属合成到真实的迁移假设，需在自身库上复测。中国用户需注意：这不是聊天与文生模型，不能直接读写文本作答；使用需GPU与CUDA环境，首次拉权重依赖Hugging Face连通性；PQL与上下文采样有学习成本，长链路与大库需先做小表验证；不涉及价格与配额变化，商用需遵守Apache 2.0与OpenMDW 1.1条款并自行做数据合规与安全评估，模型质量与风险按NVIDIA产品安全通道反馈。