英伟达盯上了Excel里的数据

企业里最有价值的数据，从来不是文本和图片，而是一张张趴在数仓和业务库里的表格。如今NVIDIA把预训练模型直接压到了这些表格上——不用训练、不用标注，传张表进去就能出预测。与此同时，Agent阵营传出一份扎心的实验数据：把文档直接塞给模型，GPT-4.1能答对93.49%的问题，让Agent自己去检索，成绩就垮了。两件事指向同一个判断：AI的瓶颈，正在从“模型不够强”转移到“数据喂不进去”。

🧠 基础模型卷到了表格上

做了十年数据的人，几乎都经历过同一个凌晨：线上指标异动，数据科学家打开Jupyter，拉一张业务宽表，改特征、调参、跑XGBoost、看交叉验证，循环往复到天亮。

这套流程过去二十年几乎没有变过。CV有预训练模型，NLP有预训练模型，唯独表格数据，业界共识是“每个业务表都得自己训一遍”。表格的列语义千差万别，收入表和病历表没有共享的“词汇表”，迁移学习在这里长期水土不服。

2026年10月，NVIDIA发布了Structured Data Models，一个把多个表格基础模型收进统一PyTorch接口的库。据MarkTechPost的实测教程，这个库封装了三个模型：TabICLv2和KumoTabular面向单张表，KumoRelational则能直接吃下整个关系型数据库——不是一张表，是带着主键外键关系的一整套库。

三者的分工很清晰：

产业逻辑并不难读。企业数据预算的大头花在结构化数据上，而AI预算的大头却几乎全砸在非结构化数据上，中间是巨大的错配。NVIDIA选在这个节点下场，等于承认了一件事：表格数据的“基础模型化”是下一块必争之地。GPU卖给了训练，现在它要卖给推理——卖给你业务库里的每一次预测。

非结构化数据的故事讲完了，结构化数据的才刚开始。

🚫 零训练预测，凭什么

最反直觉的一点是：Structured Data Models的回答方式，是in-context learning（上下文学习）。

熟悉的词换了个战场。大语言模型靠上下文里的几个示例就能完成新任务，如今表格模型也是同样路数——模型在预训练阶段见过海量表格的模式，推理时把你的业务表直接作为上下文传进去，模型“看一眼”就能给出预测，全程不需要梯度更新、不需要训练脚本。

这对一线工程师意味着什么？一位长期做风控模型的朋友私下说得很直白：“过去一个新场景从建特征到模型上线，快则两周慢则两月，如果传张表几分钟出个基线，整个排期逻辑都变了。”

零训练改变的不只是速度，是成本结构：

注意最后一格的评分只有3分——零训练给的基线不保证打败精调模型，它改变的是决策顺序：先用零成本拿到一个可用基线，再决定这个场景值不值得投入训练资源。基线从“两周后才有”变成“五分钟后就有”，这才是对数据团队真正的解放。

当然要泼一盆冷水：素材中并未给出这些模型在具体业务基准上战胜传统GBDT的证据，企业核心链路的风控、定价模型，短期内仍会以精调管线为主。零训练模型的合理落位，是长尾场景、快速验证、原型迭代——量大、频次高、单点价值低的那些预测需求。

🔍 Agent不缺好模型，缺好检索

把镜头切到Agent赛道。The New Stack近期一篇分析给了一个残酷的实验数字：在BrowseComp-Plus基准上，直接把支持文档喂给GPT-4.1，它能答对93.49%的问题；换成Agent自主去检索获取文档，成绩显著下滑。

同一颗大脑，换个取数方式，判若两模型。结论写在了标题里：Agentic AI没有模型问题，它有检索问题。

这份数据撕开了行业的一层遮羞布。过去两年融资叙事的主角是模型能力——更强的推理、更长的上下文、更聪明的规划。但BrowseComp-Plus这类基准揭示的是：当模型能力已经能吃下文档时，失分发生在“取数”这一环——检索路径低效、召回不准、噪音文档污染上下文。

`infographic

{"type":"problemsolution","title":"Agent落地瓶颈拆解","items":[{"problem":"模型推理能力过剩，复杂任务仍然答不对","solution":"承认瓶颈在数据供给，把工程投入转向检索与索引建设"},{\"problem\":\"Agent自主检索路径低效，噪音文档干扰判断\",\"solution\":\"把检索当一等公民优化：相关性排序、索引质量、上下文裁剪\"},{\"problem\":\"企业表格数据散落多库，模型根本读不到\",\"solution\":\"用表格基础模型直接在库上做预测，减少数据搬运\"}]}\n`\n\n把它和表格基础模型放在一起看，两条线索合流了。NVIDIA做Structured Data Models，本质也是在解决“模型读不到企业数据”的问题——只不过方案不是把表格转成文本再RAG，而是训练模型直接理解表格结构本身。一个从检索侧切入，一个从模型侧切入，目标相同：缩短数据和模型之间的距离。\n\n据多位接近企业的从业者反馈，Agent项目在POC阶段风光、上生产翻车的案例，十有八九卡在数据接入和检索质量上，而非模型选型。这个判断正在从私下的吐槽变成公开基准上的硬数字。\n\n## 📊 竞争格局：谁站在四象限的哪里\n\n表格预测这个战场，新玩家和老玩家的位置其实泾渭分明。\n\n`mermaid\nquadrantChart\ntitle 表格预测技术竞争定位\nx-axis 低技术门槛 --> 高技术门槛\ny-axis 低商业价值 --> 高商业价值\nquadrant-1 领跑者\nquadrant-2 潜力股\nquadrant-3 跟随者\nquadrant-4 存量玩家\n关系库级基础模型: [0.9, 0.85]\n单表基础模型: [0.75, 0.75]\n传统GBDT调参: [0.6, 0.65]\n商业AutoML平台: [0.45, 0.55]\nLLM加RAG读表: [0.55, 0.7]\n人工特征工程: [0.3, 0.35]\n`\n\n几个判断值得展开：\n\n- 传统GBDT调参（XGBoost、LightGBM生态）技术成熟但每场景重训一遍，人力成本高，正被逐步挤压到“高价值场景精修”的存量位置。\n- 商业AutoML平台降低了门槛，但依旧绕不开训练这一步，商业价值兑现始终不温不火。\n- LLM+RAG读表是当下很多Agent项目的做法——把表转成文本喂给大模型。但它先天带着素材二暴露的病根：检索这一环不可靠，表格结构信息在文本化过程中大量丢失。\n- 表格基础模型，尤其是KumoRelational这种能吃下整个关系库的模型，技术门槛和商业价值双高，是典型的领跑者象限——前提是预训练表征真的能泛化到陌生业务域，这一点还需要更多独立基准验证。\n\n对数据平台团队来说，还有一个更现实的信号：如果预测可以直接发生在数据库层面，那么传统数仓里“取数—搬运—训练—回写”的ETL链路会被大幅压缩。数据不动，模型靠近数据——这句话湖仓厂商喊了多年，表格基础模型可能才是第一个真正兑现它的技术形态。\n\n## 🏗️ 落地判断与三道坎\n\n技术叙事动人，但工程落地从来要过三道坎。\n\n第一道是泛化信任。预训练模型在陌生业务表上的表现方差有多大，决定了它能不能进核心链路。目前公开素材里还缺少大规模跨行业基准数据，企业需要先在旁路场景灰度验证。\n\n第二道是数据安全。把业务库作为上下文传给第三方模型，权限、脱敏、合规审计一个都不能少。关系库级模型触碰的数据面更大，安全评审只会更严。数据要素流通语境下，“模型到数据”还是“数据到模型”的选择，本身就是一道合规题。\n\n第三道是成本账。零训练省下的训练成本，要和推理侧的算力开销放在一起算。高频预测场景下，这笔账未必总是划算——工程师出身的人都懂，省下的GPU时间会在推理账单上还回来。\n\n对企业的行动建议可以很具体：把Structured Data Models这类工具当作“预测基线加速器”引入旁路场景，同时把BrowseComp-Plus的教训刻进Agent项目的验收标准——检索质量指标不达标的Agent项目，别急着上生产。\n\n---\n\n小结：NVIDIA把预训练模型压进表格，Agent阵营用93.49%对比如今的成绩证明了瓶颈在数据供给——两个信号共同宣告，AI竞争的主战场正从“训练更强的模型”转向“让模型更快读对企业数据”。对数据团队而言，2027年的工作重心可能不再是写训练脚本，而是重新设计数据与模型之间的那条供给管道。表格数据的 foundation model 时代，才刚刚按下开始键。"}