NVIDIA ha presentado hoy Kumo Tabular, una nueva familia de modelos fundacionales para datos tabulares. Está pensada para tareas de clasificación y regresión, o sea, para sacar predicciones a partir de esas hojas llenas de filas y columnas con las que trabajan casi todas las empresas.
Ahí está, de hecho, el foco de la propuesta. NVIDIA apunta a una de las tareas más habituales en cualquier organización: tomar una tabla y usarla para anticipar qué va a pasar. Su principal reclamo es que el sistema puede predecir filas nuevas a partir de filas de contexto ya etiquetadas, y hacerlo en una sola pasada.
Eso, llevado al trabajo diario, evita tener que entrenar un modelo distinto para cada caso, ponerse a ajustar hiperparámetros o arrancar con toda la fase previa de ingeniería de características.
Para equipos que viven entre datos de clientes, riesgo, fraude, ventas o previsiones, la promesa suena bastante directa: prototipos más rápidos y una base fuerte desde el primer minuto.
Kumo Tabular llega, siempre según NVIDIA, en tres tamaños: Small, Medium y Large. Se mueve entre 28 y 215 millones de parámetros. Los pesos se distribuyen bajo licencia OpenMDW-1.1, apta para uso comercial, mientras que la librería structured-data-models, o SDM, se publica con Apache-2.0. No es un detalle menor en un segmento donde las condiciones de uso suelen frenar bastante la adopción en empresa.
En la parte técnica, la documentación de NVIDIA pide Python 3.11 o superior y PyTorch 2.7 o superior. Los ejemplos oficiales, además, están orientados a GPU con CUDA.
Según la compañía, Kumo Tabular es un Transformer especializado en tablas. Combina atención por columna, atención por fila y atención en contexto, con una receta que toma ideas de TabICL y TabPFN.
Más en detalle, NVIDIA explica que el modelo parte de embeddings de celdas para valores numéricos y categóricos, construye embeddings de fila mediante self-attention inducida y cuatro tokens [CLS] aprendibles, y remata con una fase en la que las filas de consulta solo atienden a las filas de contexto. Eso permite calcular una sola vez las claves y valores de esas filas de contexto y luego reutilizarlos. Para regresión, el sistema devuelve 999 cuantiles en vez de limitarse a un valor puntual. Y para que la atención siga siendo útil cuando la tabla crece, cada consulta se escala con una temperatura que aumenta con el logaritmo del número de claves, usando coeficientes aprendidos por cada cabeza de atención.
Kumo Tabular corre sobre SDM, también según NVIDIA, una librería nativa para GPU que incluye además TabICLv2, TabFM de Google y KumoRelational para datos repartidos en varias tablas.
SDM añade una interfaz compartida de aprendizaje en contexto mediante TableTensor, junto con herramientas de preprocesado, ensamblado y soporte para clasificación multiclase.
NVIDIA también sostiene que los modelos se preentrenaron por completo con tablas sintéticas generadas a partir de modelos causales estructurales, no con datos reales. En ese conjunto incluyeron valores ausentes, categorías de alta cardinalidad, objetivos con colas pesadas y filas duplicadas en conflicto. El entrenamiento, según la propia empresa, escaló desde contextos de 1.024 filas hasta 60.000, y llegó a manejar hasta 100 columnas.
En rendimiento, NVIDIA sitúa a Kumo Tabular en cabeza de TabArena con una puntuación ELO de 1.950. También lo coloca primero en BeyondArena, TALENT y ScoringBench.
La compañía asegura, además, que en su configuración de evaluación el modelo es entre 17 y 26 veces más rápido que LimiX-2.
Aun con todo, la mayor parte de esos resultados salen del propio fabricante, así que todavía hace falta una validación independiente más amplia. Siguen abiertas, además, varias preguntas nada menores: el coste de inferencia en GPU, el tamaño real de la ventana de contexto, la explicabilidad en sectores regulados y las posibles caídas de rendimiento cuando los datos reales se apartan del régimen sintético con el que se entrenó.
Lo que NVIDIA quiere empujar va por ahí: que abrir una tabla y pedir una predicción se parezca cada vez más a usar una herramienta ya lista.
