NVIDIA Kumo Tabular ist das offene tabellarische Foundation-Modell, das NVIDIA am 29. September 2026 über den offiziellen Hugging-Face-Blog veröffentlicht hat – spezialisiert auf Klassifikation und Regression für tabellarische Daten. Das Versprechen ist direkt: Gegeben eine beschriftete Tabelle, sagt es die Labels neuer Zeilen in einem einzigen Forward Pass voraus – ohne Training, ohne Tuning, ohne Feature Engineering.
Es will die alte Routine „pro Frage einmal trainieren" beenden
Zwei Jahrzehnte lang gehörten tabellarische Vorhersagen in Unternehmen den Gradient-Boosting-Bäumen: Kundenabwanderung, Ausfallrisiko, Nachfrageprognose, Preisgestaltung – jede neue Frage bedeutete einen kompletten Zyklus aus Labeling, Feature Engineering, Tuning, Validierung und Deployment. Neue Daten hießen: von vorn trainieren.
Kumo Tabular bringt das In-Context Learning großer Sprachmodelle auf Tabellen. Die Idee: Ihre historischen Daten sind die Beispiele, die zu prognostizierenden Spalten sind die Fragen – das Modell liest die gesamte beschriftete Tabelle, erkennt die Muster auf der Stelle und berechnet die Antworten für neue Zeilen in einem Durchgang. Ein Prozess, der früher Wochen an Iterationen kostete, schrumpft auf eine einzige Inferenz.
Wie das Modell aufgebaut ist
Kumo Tabular gehört zu NVIDIAs Modellkollektion Kumo Structured, kommt in drei Größen von 28M bis 215M Parametern und wurde ausschließlich auf synthetischen Daten vortrainiert – es hat nie eine echte Geschäftstabelle gesehen. Die Gewichte liegen auf dem Hugging Face Hub unter der OpenMDW-1.1-Lizenz, die kommerzielle Nutzung ausdrücklich erlaubt; die Inferenz läuft über NVIDIAs Open-Source-Bibliothek structured-data-models, die beim ersten Gebrauch die Gewichte lädt und Vorverarbeitung, Ensembling und Vielklassen-Handhabung bündelt.
Auf vier öffentlichen Benchmarks – TabArena, BeyondArena, TALENT und ScoringBench – belegt es jeweils den ersten Platz. Das heißt nicht, dass es ein fein abgestimmtes XGBoost in jedem Szenario schlägt; diese Benchmarks messen „Out-of-the-box-Leistung ohne Tuning". Die eigentliche Bedeutung: Die Route „ohne Training" hat erstmals ein Zeugnis, das man ernst nehmen kann.
Was das für Datenteams bedeutet
Die unmittelbarsten Profiteure sind Datenteams, die schnell validieren. Wenn das nächste Mal jemand bittet, „vorherzusagen, welche Kunden abwandern", können Sie Kumo Tabular zuerst als Baseline laufen lassen, prüfen, wie stark das Signal ist, und dann entscheiden, ob sich eine komplette Trainingspipeline lohnt. Es passt am besten, wo Daten mittelgroß sind, Feature Engineering teuer ist und sich Fragen schnell ändern: Betrugserkennung, Kreditrisiko, Nachfrageprognose sind seine Zielschlachtfelder.
Grenzen hat es natürlich auch: riesige Tabellen, Probleme, die tiefes Domänen-Feature-Engineering brauchen, oder Finanz-Compliance-Szenarien mit harten Erklärbarkeitsanforderungen bleiben vorerst beim klassischen Ablauf. Als Beschleuniger für „erst einmal laufen lassen" gedacht, trifft es genauer – nicht als Ende des Trainings schlechthin.
Hintergrund: die erste öffentliche Antwort nach der Kumo-Übernahme
Kumo Tabular trägt auch eine Branchensignalik. Es ist das erste öffentliche Ergebnis, seit NVIDIA im Juni 2026 das Predictive-AI-Unternehmen Kumo AI für über 400 Millionen US-Dollar übernommen hat. Das Gründerteam ist kein Leichtgewicht: ein ehemaliger CTO von Airbnb und Pinterest, ein Stanford-Professor und die Autoren von PyTorch Geometric; ihr früheres Relational-Data-Foundation-Modell KumoRFM läuft bereits bei DoorDash, Snowflake und anderen in Produktion.
Diese Veröffentlichung verlagert Kumos Fähigkeiten von relationalen Daten auf das weit verbreitetere Einzeltabellen-Szenario – und wählt Open Source. Gelesen zusammen mit NVIDIAs Übernahme von Hugging Face Anfang September zeigt sich: NVIDIA macht das „offene Modellökosystem" zu einem immer schwereren Baustein seines KI-Imperiums – und Kumo Tabular ist das erste Puzzleteil, das direkt auf Unternehmens-Datenteams zielt.
