NVIDIA Kumo关系模型在关系数据上超越监督机器学习，无需训练

英伟达正在把大模型“预训练即用”的思路搬到关系型数据库上。其研究团队发布Kumo Relational模型，宣称这是首个在常见关系型数据基准上跑赢监督式机器学习的少样本基础模型——不需要针对具体任务训练，不需要特征工程，也不用把多张表拍平，连上数据库、描述要预测什么，一次前向推理就能出结果。 这件事的背景是，关系型数据库支撑着企业最核心的业务决策，但在此之上做预测建模，长期依赖数周的特征工程、任务级训练和调参流水线。英伟达认为结构化数据正在经历语言和视觉领域已经发生过的那次范式转移：一个预训练模型替代一堆任务专用管线，新预测从“立项”变成“发一条查询”。按官方披露的数据，在RelBench V1分类任务上，Kumo Relational平均比基于专家特征工程的梯度提升树高近4个AUROC点；在企业级基准SAP SALT上，开箱即比XGBoost高7个MRR点，微调后扩大到13个MRR点，比AutoGluon集成方法高8%。模型可扩展到5000亿行以上的数据库，通过英伟达开源的结构化数据模型库或NIM服务调用，并配套了预测查询语言PQL，方便AI智能体直接发起预测请求。 对跨境电商卖家和出海团队来说，值得关注的是这类模型可能改变选品预测、流失预警、需求预估和欺诈识别的落地成本——过去需要数据团队专门建模的场景，未来可能变成运营人员直接向数据库提问。不过目前该能力仍面向企业级数据库场景，实际效果还需在自有数据上验证。