NVIDIA تُصدر Open Kumo Tabular Model لتنبؤ الجداول

أصدرت NVIDIA في 29 سبتمبر 2026 نموذج Kumo Tabular، وهو نموذج أساسي مفتوح لتصنيف الجداول والانحدار يتنبأ بتسميات الصفوف الجديدة في تمريرة أمامية واحدة، دون تدريب أو ضبط أو هندسة ميزات. تم تدريب النموذج مسبقًا بالكامل على بيانات اصطناعية ويتوفر بثلاث أحجام تتراوح بين 28 مليون و215 مليون معامل.

Kumo Tabular هو جزء من مجموعة نماذج NVIDIA Kumo Structured، وفقًا الإعلان على مدونة Hugging Face. الأوزان متاحة من قائمة النموذج على Hugging Face تحت ترخيص OpenMDW 1.1، الذي قالت NVIDIA إنه يسمح بالاستخدام التجاري، وتتم عملية الاستدلال عبر مكتبة structured-data-models المفتوحة المصدر، التي تقوم بتحميل الأوزان عند الاستخدام الأول وتوفر المعالجة المسبقة، التجميع، ومعالجة الفئات المتعددة المستخدمة في تقييمات NVIDIA.

تضع NVIDIA هذا الإصدار في سياق عقدين من العقود التي اعتمدت فيها مهام الجداول المؤسسية مثل فقدان العملاء، التخلف، الطلب، وتنبؤ الأسعار على أشجار التعزيز المتدرجة، حيث يتطلب كل سؤال جديد دورة خاصة به من وضع العلامات، هندسة الميزات، الضبط، التحقق، والنشر. وتقول الشركة إن النموذج يطبق نمط التعلم داخل السياق لنماذج اللغة الكبيرة على الجداول، حيث يقرأ جدولًا موسومًا كسياق لتنبؤ تسميات الصفوف الجديدة مباشرة.

البنية والتنبؤ داخل السياق

Kumo Tabular هو محول (Transformer) مبني حول بنية الجدول، يستخدم انتباه الأعمدة والصفوف وداخل السياق كما تم تقديمه في TabICL وTabPFN. لتنبؤ بتسمية، يحدد النموذج ما يعنيه كل قيمة ضمن عموده، وكيف تتفاعل أعمدة الصف، وكيف ترتبط صفوف السياق الموسومة بصفوف الاستعلام التي لا تُعرف تساميمها.

في مرحلة تضمين الخلايا، تتحول مجموعة من الخلايا إلى رمز (token). تمر القيم العددية والاسمية عبر ميزات فورييه، وجيب الزاوية وجيب التمام لترددات مُتعلمة، مع أوزان منفصلة لكل نوع. تُعامل القيم المفقودة بشكل خاص ولا تحتاج إلى تعويض، ويتلقى كل رمز في السياق تضمينًا للعلامة. ثم يُضغط كل صف إلى تضمين عبر انتباه الأعمدة المتناوب، وهو انتباه ذاتي مُستحث يتزايد تكلفته خطيًا مع عدد الصفوف، مع انتباه الصفوف الذي يتعلم كيفية تفاعل ميزات الصف، باستخدام مواضع دوارة لتمييز الأعمدة. تنضم أربعة رموز CLS قابلة للتعلم إلى كل صف وتعمل كقراءة نهائية له.

يعمل محول نهائي على تضمينات الصفوف. تحضر صفوف السياق إلى بعضها البعض بينما تحضر صفوف الاستعلام فقط إلى صفوف السياق، لذا يعتمد كل تنبؤ فقط على السياق والصف نفسه، وتُحسب مفاتيح وقيم السياق مرة واحدة وتُعاد استخدامها في التنبؤات اللاحقة. تستخدم صفوف الاستعلام Test‑GQA، الذي يقلص الذاكرة المؤقتة التي يقرأها كل تنبؤ. تُضبط درجة حرارة الانتباه المت aware للطول كل استعلام بعامل يزداد مع لوغاريتم عدد المفاتيح، بمعامل يُتعلم بشكل منفصل لكل رأس، مما يحافظ على حدة الانتباه عندما تكون جدول الاستدلال أطول بكثير من جدول التدريب النموذجي. يُخرج كل رأس احتمالات الفئات للتصنيف أو 999 كمية للانحدار، مما ينتج تنبؤًا نقطيًا وتقديرًا لعدم اليقين.

التدريب المسبق على الجداول الاصطناعية

يتم أخذ كل جدول تدريب من نموذج سببي هيكلي عبر ست خطوات. يقوم المُولد باختيار تكوين للجدول بأكمله، ثم يربط المتغيّرات المخفية برسم بياني سببي عشوائي يُقيم من الجذر إلى الورقة باستخدام دوال مختارة عشوائيًا في كل عقدة، تشمل التحويلات الخطية، الشبكات العصبية الصغيرة، الأشجار، وعمليات غاوسية. تتحول بعض العقد إلى أعمدة عددية أو اسمية، وتصبح واحدة منها الهدف، وتبقى البقية مخفية، مثل الأسباب غير المقاسة وراء البيانات الحقيقية. يقوم ما بعد المعالجة بربط مجموعات الأعمدة، قص القيم المتطرفة، وإدخال القيم المفقودة، وتقوم فحص مجموعة الأشجار المتجميعية بحذف أي جدول لا يحتوي على إشارة قابلة للتعلم.

قالت NVIDIA إنها دمجت عيوب الجداول الحقيقية في المُولد: تُفقد القيم في أنماط متعددة، تُجرد بعض الميزات بحيث يمكن للصفوف المتكررة أن تختلف في تسميتها، تحمل بعض الأعمدة الاسمية مستويات عديدة، ويمكن أن تكون أهداف الانحدار ذات ذيل ثقيل. يستخدم التدريب خسارة الانتروبي المتقاطع للتصنيف وخسارة الكوانتيل للانحدار، مع تدريب المهمتين كنماذج منفصلة، ويجري على ثلاث مراحل: جداول من 1,024 صفًا وحتى 100 عمود، سياقات تتراوح بين 400 إلى 10,240 صفًا، وأخيرًا سياقات تصل إلى 60,000 صف. شهدت إصدارات Small وMedium وLarge ما يقرب من 35 مليون و71 مليون و137 مليون جدول اصطناعي على التوالي.

نتائج المعايير التي أوردتها NVIDIA

أفادت NVIDIA أنها شغّلت الأحجام الثلاثة جميعها بإعدادات افتراضية مقابل لوحة الصدارة الكاملة في TabArena، التي تشمل أشجار التعزيز المتدرجة المُضبوطة، AutoGluon، ونماذج الأساس الجدولية الحديثة، وأن Kumo Tabular يحتل المرتبة الأولى إجمالًا بتصنيف ELO يبلغ 1950 بينما يعمل أسرع بـ 26 مرة من LimiX-2 تحت إعداد تقييم موحد باستخدام RTX 6000 Pro واحد. وقالت الشركة إن الأحجام الثلاثة تُثبت حالة جديدة من التفوق في جبهة الدقة والكفاءة (Pareto).

في BeyondArena، أفادت NVIDIA بأن لديها تصنيف ELO قدره 1418 ودرجة تحسين 7.78٪، محققة المركز الأول في تلك القائمة. في TALENT، ذكرت الشركة أنها تحتل المرتبة العامة الأولى عبر دقة التصنيف، خسارة السجل التصنيفية، وجذر متوسط الخطأ التربيعي للانحدار، مع متوسط مراتب 6.67 و3.98 و4.22 على التوالي. في ScoringBench، وهو معيار لتوزيعات التنبؤ، صرحت NVIDIA بأن Kumo Tabular-Large وKumo Tabular-Medium يحتلان المرتبة الأولى والثانية في متوسط الترتيب.

القيود والتوافر

يعمل Kumo Tabular فقط على الأعمدة الرقمية والفئوية؛ يمكن تحويل النصوص أو الصور أو الطوابع الزمنية إلى ميزات عبر وصفات المعالجة المسبقة المدمجة. يغطي تمرير أمامي واحد ما يصل إلى 10 فئات، وتوسّع المكتبة النموذج لأي عدد من الفئات باستخدام رموز الإخراج التصحيحية. تحذر NVIDIA من أن الدقة قد تتدهور في الجداول التي تتجاوز نطاقات التدريب كثيرًا أو عندما تأتي صفوف الاستعلام من توزيع مختلف عن صفوف السياق، وتوصي بالتحقق من الدقة والمعايرة على بيانات محفوظة قبل النشر.

حزمة structured-data-models أصلية للمعالج الرسومي، وتتطلب Python 3.11 أو أحدث وPyTorch 2.7 أو أحدث، وتوصي باستخدام cudf لأعباء عمل CUDA بحيث تظل عمليات إطارات البيانات على وحدة المعالجة الرسومية. تستضيف الحزمة تطبيقات مرجعية لنماذج الأساس الجدولية TabICLv2 وKumoTabular وTabFM إلى جانب النموذج العلاقي KumoRelational، كما أن الشيفرة التي كتبتها NVIDIA في المستودع مرخصة تحت رخصة Apache 2.0.

قالت NVIDIA إن وصفة التدريب ومولدات البيانات الاصطناعية وراء Kumo Tabular ستُصدر قريبًا.