NVIDIA verpackt KumoRFM-2 als „Kumo Relational“: Leistungszahlen nur vom Hersteller, Lizenzlage widersprüchlich
Das vortrainierte relationale Foundation-Modell soll Vorhersagen auf mehrtabelligen Datenbanken ohne Task-Training liefern. Unabhängige Belege für die Messwerte fehlen, und die Quellen widersprechen sich bei der Lizenz.
Mit KI erstelltInhalt
◆ Fakten auf einen Blick
- NVIDIA stellt Kumo Relational als vortrainiertes relationales Foundation-Modell vor, das ohne Task-Training Vorhersagen trifft.
- Laut NVIDIA übertrifft Kumo Relational auf 41 Aufgaben in 15 Datenbanken überwachte Deep-Learning-Modelle und Gradient-Boosted-Tree-Pipelines.
- Auf dem SAP-SALT-Benchmark liegt es laut NVIDIA 8 % im Mean Reciprocal Rank vor AutoGluon-Ensembles.
- Laut NVIDIA skaliert das Modell auf Datenbanken mit über 500 Mrd. Zeilen.
- Es ist als quelloffene Bibliothek structured-data-models oder als NVIDIA NIM nutzbar.
Kumo Relational: NVIDIA liefert Vorhersagen direkt aus mehrtabelligen Datenbanken
NVIDIA stellt mit Kumo Relational ein vortrainiertes relationales Foundation-Modell vor. Das Modell stammt von Kumo AI, das NVIDIA im Juni 2026 übernommen hat. Nach Angaben des Herstellers sammelt es zu einer Anfrage bis zu 10.000 historische Beispiele als Kontext. Dann sagt es Ergebnisse wie Abwanderung, Nachfrage oder Betrug in einem einzigen Forward-Pass voraus. Task-Training, Feature-Engineering und das Zusammenfassen der Tabellen zu einer flachen Tabelle (Flattening) entfallen demnach. Aufgaben deklariert man per Predictive Query Language.
Verfügbar ist das Modell als quelloffene, GPU-native Bibliothek namens structured-data-models und als NIM-Container in Version 1.0.0. Den Container führt NGC mit dem Datum 18. August 2026. Er unterstützt binäre und Multiklassen-Klassifikation, Regression, Forecasting sowie temporale Link-Prediction. Snowflake-Kunden können Kumo Relational über Snowflake ML ausführen. Training, Scoring und Daten bleiben laut Snowflake innerhalb des Sicherheits- und Governance-Perimeters. NVIDIA ordnet Kumo außerdem der „Agent Knowledge Foundation“ zu.
Die Übernahmesumme von mehr als 400 Millionen US-Dollar nennen Fach- und Aggregatorquellen. Eine Primärmeldung von NVIDIA oder Kumo liegt dafür nicht vor.
Benchmark-Zahlen kommen vom Hersteller, die Neuerung ist nicht belegt
Die Leistungsangaben stammen von NVIDIA selbst. Über 41 Aufgaben auf 15 Datenbanken soll Kumo Relational überwachte relationale Deep-Learning-Modelle und von Experten gebaute Gradient-Boosted-Tree-Pipelines übertreffen. Auf dem Benchmark SAP SALT liege es beim Mean Reciprocal Rank um 8 Prozent vor AutoGluon-Ensembles. Das Modell skaliere auf Datenbanken mit mehr als 500 Milliarden Zeilen. Die Aussage, es sei „das erste Few-Shot-Foundation-Modell“, das überwachtes ML auf gängigen relationalen Benchmarks übertrifft, ist ebenfalls eine Herstellerangabe. Kumo erhob denselben Anspruch bereits für KumoRFM-2.
Neu ist das Modell nicht. Es entspricht KumoRFM-2, das Kumo am 14. April 2026 vorstellte. NVIDIA übernimmt dessen Aussagen. Ob sich technisch oder bei den Messwerten gegenüber KumoRFM-2 etwas geändert hat, belegt das vorliegende Material nicht. Auch eine unabhängige Bestätigung oder Reproduktion der Zahlen fehlt. Neu ist vor allem die Verpackung unter der NVIDIA-Marke.
Lizenz unklar: Modellkarte nennt kommerzielle Nutzung, Beri.net beschreibt eine Einschränkung
Die Quellen widersprechen sich bei der Lizenz. Die NVIDIA-Modellkarte nennt das Modell „ready for commercial or non-commercial use“. Für das Modell gilt die NVIDIA Open Model License. Für den NIM-Container gilt das NVIDIA Software License Agreement samt Product-Specific Terms.
Beri.net berichtet dagegen nach einer Prüfung vom 9. Oktober 2026: Der Produktions-Container trage eine Lizenz, die das Modell auf nicht-kommerzielle Forschung oder Evaluation beschränke. Woher die Abweichung stammt, lässt sich nicht klären. Denkbar sind unterschiedliche Artefakte, unterschiedliche Versionen oder eine abweichende Lesart. Der Lizenztext selbst liegt nicht vor.
Wer den Einsatz plant, muss die Lizenz des tatsächlich eingesetzten Artefakts selbst prüfen. Die Eignung ist außerdem auf eigenen Daten zu testen.



