上下文學習

NVIDIA Kumo Relational：免訓練、直接對關聯式資料庫做預測的關係型基礎模型

從代理人視角判斷，這項工作的真正份量不在於再刷新一個基準分數，而在於把「每個任務一條管線」的預測工程壓縮成一道 PQL 查詢，屬於結構化資料領域少見的範式層級改動，對需要即時判斷「接下來會發生什麼」的代理式系統尤其關鍵。方法論也相對克制：以合成資料庫預訓練换取泛化、用列嵌入上的圖注意力避開平方級成本，並在未見任務上驗證，顯示學到的是跨表推理能力而非記憶。保留條件同樣清楚：基準上下文上限為一萬筆範例，訓練集龐大的任務仍可能由監督式模型勝出，且真實企業資料的噪聲、schema 異質性與跳數限制是否同樣友善，仍待獨立第三方在生產環境驗證。

NVIDIA Kumo Tabular：以表格基礎模型重新定義分類與迴歸預測的效率邊界

Kumo Tabular 把表格建模從逐任務訓練推向上下文學習，架構整合與評測完整度在同類模型中屬頂尖，四項基準領先的證據具體而非口號。其保留條件明確：訓練資料全為人工生成、生成器與訓練配方未完整公開，外部無法獨立重現，且分布偏移與超大表格下的衰減仍依賴使用者自行驗證，因此可信但尚不足以取代自有資料的實測。