在人工智能技术飞速发展的今天，大语言模型（LLM）和计算机视觉模型无疑占据了舞台的中央，但现实世界中的数据往往以表格的形式存在，涵盖了金融、医疗、供应链等关键领域。针对这一痛点，NVIDIA 近期发布了全新的 Structured Data Models 库，旨在为结构化数据提供一种无需训练即可进行预测的新范式。这一突破性进展标志着基础模型（Foundation Models）的概念正从非结构化数据（如图像、文本）成功向结构化数据延伸。
什么是 Structured Data Models？
Structured Data Models 是一个由 NVIDIA 推出的新库，它巧妙地将多个针对表格数据预训练的基础模型封装在统一的 PyTorch 接口之下。这意味着开发者不再需要分别处理不同的模型架构，而是可以通过一个标准化的流程来调用强大的 AI 能力。该库的核心亮点在于其“零训练”（Zero-Training）的预测能力，即用户在使用模型时，不需要花费大量时间在特定数据集上进行微调或训练，极大地降低了 AI 应用的门槛。
核心组件与工作原理
该库支持多种数据结构，主要分为单表预测和关系数据库预测两大类。
对于单表预测，Structured Data Models 融合了 TabICLv2 和 KumoTabular 两种先进的模型。TabICLv2 是 NVIDIA 早期在表格基础模型领域的重要尝试，而 KumoTabular 则代表了其在关系数据理解上的最新成果。这些模型通过“上下文学习”（In-Context Learning）的方式工作。简单来说，用户只需在输入数据中提供少量的示例样本，模型就能立即理解任务目标，并根据预训练的知识生成准确的预测结果，而无需反向传播更新权重。
对于关系数据库，库中集成了 KumoRelational 模型。在现实商业场景中，数据往往分散在不同的表中，存在复杂的外键关联。KumoRelational 能够处理这种全关系数据库的数据结构，从复杂的关联数据中挖掘出有价值的洞察，这对于分析客户生命周期价值（CLV）或构建复杂的推荐系统至关重要。
开发者体验与行业影响
Structured Data Models 采用 PyTorch 接口，这与当前主流的深度学习开发环境高度兼容。对于数据科学家和机器学习工程师而言，这意味着他们可以利用熟悉的工具链，快速将 AI 能力集成到现有的业务系统中。这种“开箱即用”的特性，对于许多缺乏大量算力资源和标注数据的小型企业来说，无疑是一大利好。
这一技术的应用场景极为广泛。在金融领域，分析师可以利用零训练模型快速评估信贷风险或检测欺诈交易；在零售行业，商家可以基于历史销售数据，利用上下文学习快速预测未来的库存需求，从而优化供应链管理；在医疗健康领域，医生和研究人员也能利用该工具从病历表格中快速提取关键诊断指标。
总结来说，NVIDIA Structured Data Models 的发布，不仅丰富了 AI 工具箱，更推动了结构化数据智能化的进程。它通过零训练和上下文学习的机制，让数据驱动的决策变得更加高效和普及。
信息来源：MarkTechPost，原文链接：https://www.marktechpost.com/2026/10/17/how-to-make-zero-training-tabular-predictions-with-nvidia-structured-data-models/
封面图片来源：Unsplash / 摄影师 Brecht Corbeel
