- La arquitectura procesa filas etiquetadas como contexto para predecir nuevos registros en una sola pasada.
- Elimina la necesidad de ingeniería manual de variables, ajuste de hiperparámetros y reentrenamiento.
- Disponible bajo licencia OpenMDW-1.1 para uso comercial en versiones de 28 a 215 millones de parámetros.
- Lidera el punto de referencia TabArena con un puntaje Elo de 1950 y ejecución 17 veces más rápida.
La compañía tecnológica NVIDIA presentó este jueves 1 de octubre de 2026 su nueva familia de modelos fundamentales tabulares denominada Kumo Tabular, una solución de código abierto diseñada para transformar la forma en que las organizaciones ejecutan tareas de clasificación y regresión sobre bases de datos estructuradas. A diferencia de los enfoques convencionales de aprendizaje automático, el sistema predice nuevas filas en una sola pasada hacia adelante sin requerir reentrenamiento ni ingeniería manual de variables.
El desarrollo se integra dentro de la biblioteca de modelos estructurados para unidades de procesamiento gráfico (SDM) de NVIDIA, requiriendo entornos con PyTorch y aceleradores CUDA. Los pesos del modelo han sido publicados formalmente en la plataforma Hugging Face bajo la licencia permisiva OpenMDW-1.1, lo que autoriza su despliegue comercial inmediato en entornos corporativos de alta demanda, consolidando los avances del sector tras los recientes anuncios de Gemini 4 Argon.
Arquitectura Transformer adaptada a la estructura de tablas relacionales
Kumo Tabular se presenta en tres variantes de escala denominadas Small, Medium y Large, cuyos tamaños oscilan entre los 28 millones y 215 millones de parámetros. Su arquitectura interna emplea un mecanismo de atención tripartito que evalúa columnas, filas y contexto de forma independiente, reutilizando claves y valores computados para maximizar la velocidad de cálculo.
Para evitar la degradación de la atención en tablas con cientos de columnas y miles de registros, el equipo de investigación implementó un escalado de temperatura logarítmico aprendido por cada cabezal de atención. Para tareas de regresión, el modelo no solo entrega una estimación puntual, sino que genera una distribución de 999 cuantiles que permite cuantificar con exactitud el nivel de incertidumbre estadística de cada predicción.
El preentrenamiento se ejecutó íntegramente sobre millones de tablas sintéticas generadas mediante Modelos Causales Estructurales (SCM), introduciendo deliberadamente anomalías del mundo real como valores faltantes, categorías de alta cardinalidad y distribuciones de cola pesada para fortalecer su capacidad de generalización.
Rendimiento superior en bancos de prueba y eficiencia de cómputo
En las evaluaciones estandarizadas de la plataforma TabArena, Kumo Tabular alcanzó el primer lugar absoluto con un puntaje Elo de 1950, superando con holgura a las soluciones tabulares predecesoras. En pruebas de inferencia sobre tarjetas RTX 6000 Pro, el modelo demostró una velocidad de procesamiento 17 veces superior a alternativas existentes en el mercado.
Analistas de datos e ingenieros de software destacan que la capacidad de procesar esquemas relacionales complejos sin etapas previas de estandarización reduce en más de un 80% los tiempos de desarrollo de canalizaciones de analítica predictiva en sectores financieros, logísticos y de salud.
NVIDIA confirmó que en las próximas semanas liberará las herramientas generadoras de datos sintéticos y los manuales de integración para bases de datos distribuidas, democratizando el acceso a modelos fundamentales tabulares en toda la comunidad tecnológica internacional.
Los científicos de datos señalan que Kumo Tabular supera una de las principales limitaciones de los algoritmos basados en árboles de decisión (como XGBoost o LightGBM), al ser capaz de generalizar patrones contextuales complejos a través de múltiples tablas interconectadas sin requerir costosas etapas de consolidación manual.
La integración con el ecosistema de computación acelerada de NVIDIA permite además ejecutar inferencias por lotes a gran escala con un consumo energético optimizado en centros de datos empresariales, reduciendo la huella de carbono de las cargas de trabajo de inteligencia artificial.
