NVIDIA lança Kumo Tabular, modelo aberto para previsões em tabelas

A NVIDIA lançou em 29 de setembro de 2026 o Kumo Tabular, uma família aberta de modelos fundamentais para dados em tabelas. Em vez de treinar um modelo do zero para cada planilha de clientes, transações, pedidos ou sensores, a proposta é fornecer linhas rotuladas como contexto e obter previsões para novas linhas em uma única passagem do modelo. A empresa disponibilizou pesos de 28 milhões a 215 milhões de parâmetros, código Apache-2.0 e pesos sob a licença OpenMDW 1.1.

O lançamento interessa a equipes que trabalham com classificação — como prever inadimplência ou churn — e regressão, como estimar demanda, preço ou prazo. É uma tentativa de levar o aprendizado em contexto, popularizado pelos grandes modelos de linguagem, ao tipo de dado que ainda domina operações empresariais: a tabela estruturada.

O que a NVIDIA anunciou

Kumo Tabular integra a coleção NVIDIA Kumo Structured e é executado pela biblioteca Structured Data Models (SDM). Segundo a publicação técnica da NVIDIA no Hugging Face, o modelo aceita colunas numéricas e categóricas, recebe exemplos cuja variável-alvo é conhecida e retorna probabilidades de classe ou previsões numéricas para as linhas sem rótulo.

• Três portes: Small, Medium e Large, de aproximadamente 28 milhões a 215 milhões de parâmetros.
• Duas tarefas: classificação e regressão, com modelos treinados separadamente.
• Distribuição: pesos em Hugging Face e código aberto na SDM.
• Licenças: código Apache-2.0; pesos OpenMDW 1.1, que a NVIDIA apresenta como apta a uso comercial, sujeito aos termos da licença.
• Ambiente: a SDM é orientada a GPU e requer Python 3.11 ou superior e PyTorch 2.7 ou superior.

Por que dados tabulares continuam sendo o problema central

Grande parte da IA aplicada em empresas não começa com texto ou imagem. Ela começa com registros: uma linha por cliente, uma coluna por característica, um campo que se deseja prever. Modelos de árvores com boosting, como famílias de gradient boosting, continuam fortes nesse cenário porque funcionam bem com poucos dados e relações não lineares. O custo operacional, porém, costuma estar antes do treinamento: selecionar variáveis, tratar ausências, ajustar hiperparâmetros, validar e repetir o processo a cada nova base.

O argumento do Kumo Tabular não é que árvores deixaram de servir. É que um modelo pré-treinado pode reduzir o trabalho de criar uma primeira referência competitiva. Com linhas já rotuladas no contexto, ele tenta inferir a função para novas linhas sem atualizar pesos. Isso se aproxima do uso de exemplos em um prompt, mas o contexto é uma tabela e a saída é uma previsão estruturada.

Como o modelo processa uma tabela

A arquitetura é um Transformer adaptado à estrutura tabular, inspirada em trabalhos como TabICL e TabPFN. A NVIDIA descreve três níveis de atenção. Primeiro, o modelo representa células numéricas e categóricas e trata valores ausentes de modo específico. Depois, a atenção por coluna ajuda a interpretar se um valor é comum ou extremo naquela distribuição; a atenção por linha aprende as interações entre atributos da mesma observação.

Na etapa final, as linhas rotuladas formam o contexto e as linhas de consulta acessam esse contexto para gerar previsões. As consultas não interagem entre si, o que permite reutilizar chaves e valores do contexto em previsões subsequentes. Para regressão, a saída usa 999 quantis, dos quais podem ser derivados uma estimativa pontual e uma indicação de incerteza. Isso é relevante em decisões de risco e previsão, nas quais um único número sem intervalo pode esconder a fragilidade da estimativa.

Treinamento sintético e o que isso implica

O Kumo Tabular foi pré-treinado integralmente em tabelas artificiais geradas a partir de modelos causais estruturais. O gerador sorteia dimensões, mecanismo de geração, padrões de ausência e relações entre variáveis; também introduz efeitos como caudas pesadas, categorias com muitos níveis e colunas correlacionadas. A NVIDIA informa que os modelos Small, Medium e Large viram, respectivamente, cerca de 35 milhões, 71 milhões e 137 milhões de tabelas sintéticas.

Essa escolha evita depender de bases empresariais reais durante o pré-treinamento e permite produzir uma quantidade virtualmente ilimitada de cenários. Mas também cria uma questão essencial: uma boa cobertura de mecanismos artificiais não prova desempenho em uma base brasileira específica, em um cadastro financeiro com viés histórico ou em um processo industrial com mudança de sensores. A própria NVIDIA recomenda validar precisão e calibração em dados separados antes de qualquer implantação.

Resultados reportados e comparação justa

A NVIDIA afirma que o Kumo Tabular alcançou ELO 1950 e a primeira posição geral no TabArena, sob avaliação em uma RTX 6000 Pro, e que foi 26 vezes mais rápido que LimiX-2 nesse cenário. A empresa também reporta primeiro lugar em BeyondArena, TALENT e ScoringBench, com métricas diferentes para classificação, regressão e previsões probabilísticas.

Esses resultados são promissores, mas devem ser interpretados como resultados do fornecedor em benchmarks definidos. Eles não substituem uma comparação local contra um baseline simples e forte — por exemplo, uma árvore com boosting devidamente validada — usando a mesma divisão temporal, as mesmas regras de pré-processamento e a mesma métrica de negócio. Velocidade em GPU também não significa custo menor em todos os ambientes: muitas tabelas pequenas ainda podem ser mais baratas e simples em CPU com ferramentas já consolidadas.

Limitações técnicas que importam na prática

• O escopo direto é de colunas numéricas e categóricas. Texto, imagens e timestamps precisam virar atributos por receitas de pré-processamento.
• Uma única passagem cobre até 10 classes; para mais classes, a biblioteca emprega códigos de saída com correção de erros.
• A precisão pode cair quando a tabela excede muito as faixas vistas no treinamento ou quando consultas e contexto seguem distribuições diferentes.
• O fluxo é voltado a CUDA. Antes de adotar a ferramenta, é preciso medir memória de GPU, latência e custo de servir o modelo.
• O modelo não remove obrigações de governança: variáveis sensíveis, vazamento entre treino e teste, explicabilidade e monitoramento de drift continuam sendo responsabilidade da equipe usuária.

O que muda para equipes no Brasil

Para times brasileiros que lidam com CRM, varejo, crédito, logística, agronegócio ou manutenção, o ganho potencial está no ciclo de experimentação. Uma equipe pode testar uma hipótese com dados históricos rotulados sem começar pela longa busca de parâmetros. O caminho responsável, porém, é usar o Kumo como um candidato no experimento, não como uma substituição automática do pipeline atual.

Uma avaliação mínima deve separar dados por tempo quando o caso é temporal, impedir que informações futuras entrem nas colunas, comparar contra um baseline de árvores e examinar erro por segmento. Em crédito, saúde e recursos humanos, também é necessário avaliar se a performance varia de forma injustificada entre grupos e se a previsão pode ser explicada para a decisão em questão.

Análise do NoticIA

O lançamento é mais significativo como sinal de maturidade dos modelos fundamentais para dados estruturados do que como uma sentença contra gradient boosting. A combinação de pesos acessíveis, biblioteca aberta e benchmark amplo reduz a barreira para testar aprendizado em contexto sobre tabelas. Ao mesmo tempo, a promessa de “sem tuning” não elimina o trabalho que mais protege uma operação real: definir corretamente o alvo, controlar qualidade e vazamento dos dados e medir consequências de erros.

Se os resultados se sustentarem fora dos benchmarks, Kumo Tabular pode se tornar um baseline de alto nível para projetos que hoje gastam semanas repetindo pipelines de treinamento. O diferencial prático será a capacidade de oferecer uma primeira previsão útil com pouco trabalho manual, mantendo auditoria e validação local como requisitos inegociáveis.

Como acessar

Os pesos estão disponíveis no repositório NVIDIA/Kumo-Tabular no Hugging Face. A biblioteca SDM e sua documentação estão no GitHub da NVIDIA. A fonte técnica primária é o artigo “NVIDIA Kumo Tabular Sets a New Accuracy-Efficiency Frontier for Tabular Prediction”, publicado em 29 de setembro de 2026.