NVIDIA近日正式发布了关系型数据库基础模型Kumo Relational，配套论文《KumoRFM-2: Scaling Foundation Models for Relational Learning》也于2026年4月在arXiv公开。官方宣称该模型无需任何下游任务微调、无需耗时数周的手工特征工程，甚至不用把多张数据表打平为单张宽表，就能直接在企业数据库上执行客户流失、交易欺诈或需求预测等任务。在跨越15个数据库的41项基准评测中，其预测表现全面压制了传统监督学习与树模型。
这看似宣告了统治工业界十余年的XGBoost管线迎来黄昏，但拨开免训练的营销修辞，底层的技术真相并不神秘。Kumo Relational并非凭空洞悉业务规律的零样本模型，而是把原本漫长的特征打平与模型训练开销，转嫁成了依赖大量带标签历史样本的上下文推理机制。对企业而言，它并未消灭复杂性，而是把工程负担从打平数据转移到了时序切片与上下文构建上。
免训练神话下的技术底牌：重度依赖一万个上下文样本
Kumo Relational所宣称的免训练，极易在传播中被简化为即插即用的零样本魔法。实际上，模型在执行预测时必须调取最多10,000个历史上下文样本作为支持集。这些样本各自包含了实体在历史时间戳周围的子图拓扑以及真实的业务标签。模型通过图注意力和跨样本注意力，在单次前向传播中完成类比与归纳，其底层依然属于少样本上下文学习范畴。
支持这一庞大推理架构的基础，是其针对超大规模企业库的吞吐设计。官方提到的500B+规模，并非指模型训练使用了五千亿条私有业务记录，而是其内存映射图引擎最高支持处理超过5000亿行规模的底层数据库。由于真实世界的关系型数据因商业隐私极少公开，Kumo Relational的预训练完全依托合成关系数据完成，通过结构因果模型与聚类链接模拟出复杂的企业多表结构。
自动化并未消灭特征工程的本质，只是把提炼特征的算力由训练期推向了单次推理。
在推理交互上，模型采用了预测查询语言PQL。用户不再编写庞大易错的数据聚合SQL脚本，而是通过声明式语句说明需要预测的目标。这种标准化的查询接口，不仅能让数据工程师少写数百行清洗代码，也让缺乏SQL实战经验的AI Agent具备了直接从数据库预判下游结果的能力。
跑分领先的成色与切片争议：0.06的绝对优势与时间截断
在涵盖RelBench V1、V2、SAP SALT与4DBInfer等数据集的测试中，Kumo Relational拿出了极具竞争力的成绩单。在RelBench V1分类任务中，冻结权重的上下文推理取得了79.60的平均AUROC，超过了有监督图神经网络RelGNN的78.06，也明显优于人工特征工程配合AutoGluon的75.36，以及单表模型TabPFN-2.5的74.92。而在衡量效率的RelArena-α基准中，该模型每千个样本的批处理推理延迟约为17秒，相比榜单上表现最好的对比方案足足快了约430倍，后者单次批处理耗时高达7300秒左右。
但在数字的对照口径上，企业决策者必须保持清醒。在SAP SALT企业基准中，官方强调的超过AutoGluon 8%的表述，属于相对百分比计算；若看绝对数值，则是从0.77提升至0.83，绝对指标差距为0.06 MRR。这一表现虽也高于专家特征版XGBoost的0.76，但所谓领先25%的基线对应的是早期的TabICLv2，而非最新演进的竞品。至于榜单上取得的0.89 MRR极值，属于有监督微调模式下的结果，这实际上已经退回了传统监督训练的范畴。
更深层的分歧来自同行对评测公正性的审视。开发TabPFN的Prior Labs团队在arXiv:2605.13986的复现实验中提出了不同意见：当在评测中严格按照截止点冻结数据库时间戳时，针对关系拓扑演化的TabPFN-REL实际表现超越了KumoRFM-2，而在许多严肃场景下，有监督训练的RelGNN稳定性依旧处于前列。多表系统最隐蔽的陷阱是时序信息泄露，学术界在arXiv:2609.36417中同样发出警告，当模型同时调取上万个带标签上下文时，若时序截断不够严苛，历史信息中可能无意间夹杂未来特征。
- 风险.若直接将生产环境的复杂外键表接入该模型，一旦历史数据的时间戳缺乏强校验，隐蔽的时序泄漏将直接导致线上实际推理效果断崖式下跌。
企业数据团队的现实账本：特征工程未死，只是换成了上下文切片
企业并不会因为Kumo Relational的出现立刻解散数据科学团队。传统流程中，数据工程师消耗八成精力去把订单表、用户表、商品表用复杂的窗口函数拼接为宽表，然后喂给梯度提升树。这种做法枯燥低效，但胜在每一项统计指标都清晰可审计，特征重要性一目了然。
转向Kumo Relational后，繁重的宽表构造消失了，取而代之的是新的工作重心：上下文工程。如何为当前用户匹配最相关的10,000个历史上下文、如何确保时间截断协议没有夹带私货、如何应对多表跳数过深带来的图注意力算力暴增，都成了新的考题。同时，该方案对硬件提出了极高的GPU内存要求，传统在低配CPU服务器上就能高效运行的XGBoost推理，到了关系大模型时代变成了真金白银的显卡吞吐成本。
- 建议.在流失预警或线索评分等标准时序业务中，可先将其作为免训练基线替代人工宽表试点；但在信贷风控等强监管、高解释性要求的核心链路，依然应保留树模型作为核验对照。
对于拥有数百张数据表但缺乏顶尖算法专家的传统企业，Kumo Relational提供了一条极快的验证路径。但它终究是一把更敏捷的工业重锤，而非不用投料就能出结果的永动机。当特征工程的阵地转移到长上下文检索与时序防漏，真正的技术较量才刚刚拉开序幕。