NVIDIA、学習なしでDB予測する Kumo Relational（クモ・リレーショナル）を重み付きで公開41タスクで教師あり手法を上回ったと発表

NVIDIAは2026年10月21日（ブログの表記。Hugging Faceのブログ公開は日本時間10月22日3時26分）、リレーショナルデータベース上の予測を学習なしで行う基盤モデル「Kumo Relational（クモ・リレーショナル）」を公開した。NVIDIAの説明では、予測したい内容をクエリで書くと、モデルが最大1万件の過去の例を文脈として集め、1回の順伝播で解約・需要・不正などの結果を予測する。コードはApache 2.0、重みはOpenMDW License Agreement 1.1で、重みはHugging Faceから取得できる。

3行まとめ

1. NVIDIAがKumo Relationalを公開。15のDB・41タスクで教師あり手法を上回ったと発表（NVIDIA側の評価）
2. SAP SALTではAutoGluonのアンサンブルをMRRで8%上回り、RelArena-αでは最高スコアのモデルと同程度の精度を約430倍速く出すと説明
3. コードはApache 2.0、重みはOpenMDW 1.1。pip install structured-data-modelsで使え、NIMとしても動かせる

本記事の内容は、日本時間10月22日3時台に公式ページで確認したものです。

NVIDIAの欧州向けオープンモデル群の発表を扱った別記事でも、Kumoに触れている（欧州向けオープンモデル群の記事）。本記事はそのうちKumo Relational単体について、NVIDIAのブログ、モデルページ、公式ドキュメント、arXivの論文ページから整理する。

Kumo Relationalは何をするモデルか

NVIDIAによると、Kumo Relationalは事前学習済みの「リレーショナル基盤モデル」で、企業のデータベースに直接つないで予測を出す。多くの構造化データ向け基盤モデルは1枚の平らな表を前提にするが、Kumo Relationalはユーザー・注文・商品のようにつながった複数のテーブルを、外部キーと時刻を保ったまま扱うという。「直近30日の平均注文額」のような手作業の集計で1行にまとめる工程が要らない、というのが同社の主張だ。

仕組みについてNVIDIAのブログは次のように説明している。

• 予測はPredictive Query Language（PQL）で書く。「何を予測するか」を宣言する形式で、公式の例は PREDICT COUNT(orders.*, 0, 30, days) FOR EACH users.user_id
• 時間を扱うタスクでは、基準時刻より前のデータだけをモデルに見せ、基準時刻より後の出来事から正解を計算する。同社はこれでデータ漏洩を防ぐとしている
• 各例は「ある時点のエンティティ周辺の部分グラフ」と「正解」の組で、推論時に最大1万件を文脈として読む
• 表の内側は列方向と行方向のアテンションで処理し、表をまたぐ部分は主キー・外部キーに沿ったグラフアテンションで処理する

NVIDIAのブログによると、事前学習は現実のデータベースを模した合成のリレーショナルデータだけで行ったという（後述のとおり、arXivの要旨の書き方とは食い違う）。同社は合成データ生成にPluRel（ICML 2026）の方式を土台にしたと書き、Kumoチームのメンバーが同論文の開発と共著に関わったと明記している。精度を最大限にしたい場合は、特定のデータセットとタスクで微調整もできる。

モデルページには「KumoRFM-2をベースにしている」「事前学習済みのTabICLv2の重みを微調整している」とも書かれている。arXivに載っている論文は「KumoRFM-2」（2026年4月14日投稿）で、ブログの本文が「この論文」と呼ぶものと同じ41ベンチマークの結果を扱っている。

結果はどうだったか──NVIDIA側が示した数字

NVIDIAによる評価の主な数字は次のとおり。いずれも同社ブログの記載で、第三者の再現ではない。

NVIDIAはさらに、文脈に使う学習データが全体の0.2%しかない場合でも良好に動く、外部キーのリンクを最大75%取り除いても安定する、ノイズの列を多数足してもほとんど悪化しない、とも書いている。規模については、独自のグラフエンジンでメモリマップI/Oを使い、500B行以上のデータベースまで扱えると説明している。

「教師あり手法を上回る初のfew-shot基盤モデル」という位置づけは、ブログとarXivの要旨の双方にある。要旨では「私たちの知る限り」と留保が付き、改善幅は「最大8%」と書かれている。

どこで、どう使えるのか

NVIDIAによると、使い方は2通りある。

1. ライブラリで直接動かす: オープンソースのGPUネイティブなstructured-data-modelsライブラリをpip installし、sdm.models.KumoRelational(device="cuda")でモデルを読み込む。重みは初回利用時にHugging Face Hubから自動で取得される
2. NIMとして別サービスにする: NVIDIA NIMとして立て、structured-data-models-clientからPQLで予測を投げる。クライアントが文脈の例と関連テーブルを集めてリクエストを送る。公式ドキュメントでは、NIMは分類・回帰、時系列の先の予測（Forecasting）、関連エンティティの推薦・ランキング（Link Prediction）に対応すると説明している

ライセンスは、コードがApache 2.0、重みがOpenMDW License Agreement 1.1。モデルページは、微調整元のTabICLv2の重みがBSD-3-Clauseで、その表示と全文をTHIRD-PARTY-NOTICES.txtに残していると書いている。

NVIDIAはエージェントからの利用も売りにしており、PQLが「予測の質問を投げる簡単な窓口」になると説明している。

日本時間3時台に公式ページを見て気づいたこと

取得した各ページを見比べると、気になる点が3つあった。

• ブログのコード例はsdm.models.KumoRelational(device="cuda")だが、Hugging Faceのモデルページの例はtask="classification"とnum_estimators=8を指定している。ブログ側は引数を省いた簡略版に見える。実際にどちらの書き方で動くかは、私たちはコードを実行していないので確認できていない
• 日本時間10月22日3時28分に取得したモデルページでは、「Downloads last month」が2,130、Likeが27で、「このモデルはどのInference Providerにもデプロイされていない」と表示されていた。この時点では、Hugging FaceのInference Providers経由で試せる状態ではなかった
• 事前学習データの書き方が、ブログと論文で違う。ブログは「完全に合成のリレーショナルデータで事前学習」と書くが、arXivのKumoRFM-2の要旨は「合成と実世界のデータの大きなコーパス」で事前学習したと書いている。モデルページによればKumo RelationalはKumoRFM-2をベースにしたものだが、両者の事前学習データが同じかどうかは、取得したページからは判断できなかった

NVIDIA自身が挙げている限界と、今回確認できていないこと

NVIDIAのブログに書かれた限界は3つ。

• 意味のあるテーブル間の関係と時間変化があるデータ（ユーザー行動の推移など）で最も力を発揮する
• 学習データが非常に大きいタスクでは、タスク専用の教師ありモデルが上回る可能性がある（同社のベンチマークでは文脈を最大1万件にしていた）。同社はその場合に微調整を使うとしている
• 予測の手がかりが限られたホップ数以内にある必要がある。同社は、少数の関連テーブルに絞ったクエリから始めて広げることを勧めている

そのほか、本記事の立場から次の点を書いておく。

• 41タスクの数字はNVIDIAとKumoの著者らが自分たちの論文・ブログで示したもの。独立した第三者の追試は、今回取得したページには出ていなかった
• 今回取得した4ページには、NIM利用の料金や、日本での提供条件に関する記載は見つからなかった（「price」「Japan」などで取得テキストを検索して確認した）。ライブラリと重みは公開されているが、運用に必要なGPUの規模も今回のページからは読み取れていない
• 私たちは製品を試していない。以上は公式ページの記載を整理したもの

ブログ下部の「More from this author」には、同じ10月21日付の「Kumo Forecast」の記事の見出しも並んでいたが、本文は取得していないため、本記事では扱わない。

出典と確認時刻

• NVIDIA Kumo Relational Outperforms Supervised Machine Learning on Relational Data, No Training Required（Hugging Face Blog）
• nvidia/Kumo-Relational（Hugging Face）
• Kumo Relational NIM（NVIDIAドキュメント）
• KumoRFM-2: Scaling Foundation Models for Relational Learning（arXiv:2604.12596）

確認時刻は、いずれも日本時間2026年10月22日3時27〜28分です。本記事は続報があり次第更新します。