英伟达盯上了你的表格数据

过去一个月，数据基础设施圈发生了两件看似不相干的事：NVIDIA 发布了 Structured Data Models，把多个预训练表格基础模型塞进一个 PyTorch 接口，宣称零训练就能做表格预测；另一边，The New Stack 一篇分析直接下了判断——Agentic AI 没有模型问题，只有检索问题，因为 GPT-4.1 在 BrowseComp-Plus 基准上，只要把支持文档直接喂给它，就能答对 93.49% 的问题 [1]。

这两件事指向同一个判断：模型与数据之间的接口，正在被重写。 过去十年的套路是“数据通过管道流向模型”，现在模型开始直接伸手拿数据——拿表格、拿文档、拿整个关系库。做数据平台的人，如果还只盯着管道吞吐和存储成本，可能会错过这次接口层的换血。

📈 表格数据，也有了自己的基础模型

先说一句扎心的：文本有 GPT，图像有扩散模型，而你公司里最值钱的那些 Excel 和数仓表，数据科学家还在一条条做特征工程。

一个典型场景：业务方丢来一张新表，要预测客户流失。传统流程是什么？清洗、缺失值处理、特征构造、选模型、调参、交叉验证、部署——顺利的话两周，不顺利的话一个月（这是行业内常见的经验估算，非严格统计）。而 NVIDIA 这次开源的 Structured Data Models 库 [2]，把另一条路摆在了桌面上：它封装了三个预训练模型——TabICLv2 和 KumoTabular 处理单表，KumoRelational 甚至可以直接吃下整个关系型数据库。三个模型共用一个 PyTorch 接口，回答问题的方式全部是上下文学习（in-context learning）：不训练，直接推理。

这不是一个小众玩法。表格数据是企业数据的主体形态，交易记录、订单、用户画像、风控特征，几乎全长在表里。此前表格建模没有享受到大模型的红利，核心原因是表格没有文本那种“通用语料”——不同公司的表结构天差地别，一个模型怎么预训练？TabICL 这条路线给出的答案是：在海量异构表格上学习通用的列语义和统计模式，推理时把你的表当作“上下文”理解 [3]。从该技术路线的公开评测和早期使用者反馈看，比较一致的意见是：作为零成本基线已经够用，很多场景甚至不用再训了。

产业逻辑很清楚：大模型时代“预训练 + 推理”的范式，正在从文本复制到表格。这意味着数据平台的交付物在变——过去交付的是“准备好被训练的数据集”，未来可能要交付“准备好被模型直接读取的表”。元数据质量、列语义标注、Schema 治理的权重会陡然上升，因为你不知道哪个模型什么时候会直接读你的表。

新旧两条链路，可以直观对比一下：

上边那条链路以周为单位，下边这条以分钟为单位。当然，零训练不等于零思考——特征质量差、语义混乱的表，模型照样救不了。基础模型消灭的是调参的活，不是数据治理的活。

🔍 模型不缺能力，缺的是“把对的数据递过去”

第二件事更值得数据工程师睡不着觉。

The New Stack 那篇文章引用了一组数据 [4]：在 BrowseComp-Plus 基准上 [1]，GPT-4.1 在直接拿到支持文档的情况下，答对了 93.49% 的问题。而一旦换成 Agent 自主去检索、自己决定读什么文档，成绩立刻大幅下滑。结论一句话：Agentic AI 没有模型问题，只有检索问题。

这个数字的产业含义比表面看起来重得多。它意味着在相当多任务上，前沿模型的能力已经“过剩”——瓶颈不在推理，不在参数量，而在数据供给链路：检索器找错了文档、塞进了无关内容、或者上下文被噪声撑爆。模型像一个能力极强的分析师，但你给他的文件夹是乱的。

做 RAG（检索增强生成）的团队对这种痛感不陌生。但 Agent 把问题放大了一个量级：人类分析师会在几百次查询失败后收敛到一个正确的检索路径，Agent 在长程任务中每一步都可能引入噪声，错误会复利。圈子里流传一句半开玩笑的话：现在 Agent 的上下文窗口，一半是干活的内容，一半是检索失败留下的尸体。

对数据平台的判断是：检索层正在从“RAG 的一个组件”升级为“Agent 时代的核心基础设施”。 过去我们谈搜索相关性，谈的是用户体验指标；现在检索质量直接决定了 Agent 任务的成败率，它是硬性的工程指标。这也是检索基础设施同时吸引创业公司和大厂投入的原因之一。

⚙️ 一个单文件二进制的启示

检索层正在被重新发明，而且是从最朴素的地方开始。

开源工具 Leviathan 近期在技术社区引发了不少讨论 [5]。它解决的就是上面说的痛点：给 Agent 接入海量历史数据时，最怕直接 grep 把上下文塞爆。Leviathan 的解法轻量到近乎任性——一个没有外部依赖的单文件静态二进制程序，可以直接把 JSONL、CSV、SQLite 甚至各种数据库命令行工具导出的数据，做成带相关度排序的全文索引。Agent 用自然语言提问，它只返回裁剪整齐、带引用的简短卡片。

注意这里的几个设计决策，每个都是反潮流的：不上向量数据库，不引入嵌入式依赖，不做分布式，就是一个静态二进制。它赌的是另一件事——Agent 需要的不是更强的检索，而是更克制的数据递送。 每次只给 Agent 一小片精确、带出处的上下文，宁可多查几次，也不一次塞满。

一个可以观察到的现象是：Agent 的调用频次高、单次载荷要求小、部署环境五花八门，这类约束天然偏好一个 20MB 量级的二进制，而不是一套需要专职运维的重型检索集群。轻量检索中间件是否会在采用增速上超过重型平台，目前还缺乏严格的公开数据佐证，但上述工程约束本身就足以解释这类工具的吸引力。

对数据工程师的启示是务实的：检索层的技术选型，正在从“堆栈思维”转向“接口思维”。关键问题不再是“我该用哪个向量库”，而是“我的数据能不能被 Agent 以最小的上下文代价精确取用”。这背后是导出格式、索引构建、引用溯源、上下文裁剪这一整条工程链，全部要重做一遍。

🛠️ 四类工具的能力边界

三个表格基础模型和一个检索中间件的能力边界，列清楚方便选型参考：

四类工具看似不在一个赛道，其实回答的是同一个问题：AI 如何以最低的工程代价，直接消费企业存量数据。

需要说明的是，四类工具的技术成熟度和商业位置差异很大：KumoRelational 建模跨表关系和外键语义，技术门槛最高，而企业最值钱的数据恰恰在关系库里；传统 AutoML 平台的核心价值是“帮你训练”，零训练范式直接绕开了这一步，其长期定位需要重新审视；轻量检索工具单点技术门槛不高，但切入的是 Agent 时代的高频刚需。——以上是基于本文引用事实的作者判断，不构成对任何竞争格局的量化结论。

💡 给数据团队的三个务实建议

判断讲完了，落到行动上。结合目前能看到的事实，给出三条不一定性感但实用的建议：

第一，把零训练表格模型设为默认基线。 新的预测需求进来，先用 Structured Data Models 这类库跑一遍零训练结果，再决定要不要投入训练管线。很多时候你会发现基线已经够用，省下的两周是实打实的成本。

第二，检索预算重于模型预算。 GPT-4.1 那 93.49% 的数字已经说明 [1]：同样的模型，数据递送方式不同，结果天差地别。下一笔基础设施预算，与其用来换更强的模型，不如用来重建检索层——索引质量、引用溯源、上下文裁剪，每一个都直接换算成 Agent 任务成功率。

第三，为“模型直接读表”做准备。 预训练表格模型读你的表读出什么质量，取决于你的 Schema 和元数据治理水平。列语义、命名规范、外键完整性，这些老生常谈的事，在新范式下价值会重新定价。

三个堵点和解法，一张图收尾：

回头看，这两件事其实是同一场变化的两个切面：模型与数据之间的中间层正在变薄。管道还在，但管道的职责从“搬运和准备数据”变成“索引和递送数据”；模型的角色从“被喂数据的学生”变成“主动取数的使用者”。零训练表格模型、检索优先的 Agent、单文件索引工具，都是这场接口重写的早期信号。对做数据的人而言，未来一年最值得押注的不是某个具体模型，而是这条正在成形的“模型—数据直连通道”——谁先把自家数据整理成模型愿意直接读的形态，谁就先拿到下一轮红利。

数据与信源说明

[1] BrowseComp-Plus 基准论文：BrowseComp-Plus: A Benchmark for Deep Research in the Era of LLM Agents（arXiv:2508.06600）。论文实验显示，GPT-4.1 在直接获得全部支持文档的条件下准确率为 93.49%，而依赖自主检索时成绩显著下降。本文涉及的 93.49% 数字均出自该论文。

[2] NVIDIA Structured Data Models：NVIDIA 官方发布的开源库，封装 TabICLv2、KumoTabular、KumoRelational 三个预训练表格模型，提供统一 PyTorch 接口。模型清单与能力描述以 NVIDIA 官方文档及项目仓库为准。

[3] TabICL：TabICL: A Tabular Foundation Model for In-Context Learning on Large Data（arXiv:2502.17315），表格上下文学习技术路线的代表性论文。

[4] The New Stack 相关分析文章，提出“Agentic AI 的瓶颈在检索而非模型”的判断，并引用 BrowseComp-Plus 实验数据。

[5] Leviathan：开源的单文件静态二进制全文索引工具，功能描述以项目官方仓库（GitHub）文档为准。文中“社区讨论热度”为定性观察，未附采用率数据。

（注：文中“两周”“一个月”等工作量描述为行业经验估算，供参考；四类工具的竞争定位描述为作者基于公开信息的定性判断。）