NVIDIA, 오픈 표 형식 파운데이션 모델 Kumo Tabular 공개… 4개 벤치마크 1위 주장

무슨 일이 있었나

NVIDIA는 2026년 9월 29일 Hugging Face 블로그에서 NVIDIA Kumo Tabular를 공개했다. NVIDIA Kumo Structured 모델 제품군의 일원으로, 표 형식 데이터를 위한 오픈 파운데이션 모델(미리 폭넓게 학습해 두어 여러 작업에 바로 쓸 수 있는 범용 모델)을 표방한다. NVIDIA에 따르면 이 모델은 인공적으로 합성한 데이터로만 사전 학습됐으며, 세 가지 규모(2,800만~2억 1,500만 파라미터)로 제공되고 OpenMDW-1.1 라이선스로 배포되어 상업적 용도로 사용할 수 있다. 코드는 GitHub에, 모델 가중치는 Hugging Face에 공개됐으며, NVIDIA가 새로 발표한 GPU 네이티브 라이브러리 structured-data-models를 통해 실행된다.

표 형식 데이터란 스프레드시트처럼 열과 행으로 구성된 데이터를 말한다. 고객 기록, 거래 내역, 센서 로그, 주문 등이 그 예다. NVIDIA는 지난 20년 동안 이런 예측 작업은 주로 그래디언트 부스팅 트리(여러 개의 의사결정 나무를 차례로 쌓아 오차를 줄여 가는 전통적 기계학습 기법)로 수행돼 왔지만, 새로운 문제가 생길 때마다 레이블(정답값) 수집, 특성 설계(예측에 쓸 입력 항목을 사람이 직접 만드는 작업, 즉 특성 공학), 하이퍼파라미터(모델의 설정값) 탐색, 검증과 배포를 처음부터 다시 해야 했다고 지적했다. Kumo Tabular는 대규모 언어 모델의 '인컨텍스트 러닝(in-context learning)' 개념, 즉 몇 가지 예시만 보고 모델을 다시 학습시키지 않은 채 새 작업을 푸는 방식을 차용해, 레이블이 달린 표를 예시로 읽어 들인 뒤 미지의 행을 바로 예측한다. 이 예측은 한 번의 순전파(모델이 입력을 한 차례 계산해 결과를 내는 과정)로 이뤄진다.

자세한 설명 보기

출처를 수집하고 독립적으로 검증한 뒤 Jev가 판단합니다.

기존 방식과 무엇이 다른가

모델의 작동 방식과 학습

NVIDIA에 따르면 Kumo Tabular는 표 구조를 중심으로 설계된 Transformer(현재 대규모 언어 모델에 널리 쓰이는 신경망 구조)로, TabICL과 TabPFN이 제안한 열·행·인컨텍스트 어텐션(데이터의 어느 부분에 주목할지 계산하는 방식) 메커니즘을 채택했다. 먼저 각 값이 해당 열에서 어떤 의미를 갖는지 파악하고, 이어서 같은 행의 각 열이 어떻게 상호작용하는지 이해한 뒤, 마지막으로 레이블이 있는 컨텍스트 행과 예측 대상인 쿼리 행을 연결한다.

학습 데이터와 관련해 NVIDIA는 모든 학습용 표가 구조적 인과 모델(SCM)에서 샘플링해 생성됐으며, 실제 데이터에서 흔히 볼 수 있는 결함을 의도적으로 넣었다고 밝혔다. 다양한 패턴의 결측값, 중복 행의 레이블 불일치, 범주가 매우 많은 열, 꼬리가 두꺼운 회귀 타깃 등이 그 예다. 학습은 3단계로 진행됐다. 먼저 1,024행·최대 100열의 표를 사용하고, 이어 컨텍스트를 400행에서 10,240행으로 늘린 뒤, 마지막으로 60,000행까지 확장했다. NVIDIA는 Small, Medium, Large 세 버전이 각각 약 3,500만 개, 7,100만 개, 1억 3,700만 개의 인공 표를 학습했다고 밝혔으며, 학습 방법과 데이터 생성기는 추후 공개할 예정이라고 했다.

NVIDIA가 공개한 벤치마크 성적

아래의 ELO는 여러 모델의 성능을 서로 비교한 결과로 매기는 상대 순위 점수로, 높을수록 순위가 높다.

• TabArena: NVIDIA는 ELO 1950으로 종합 1위를 차지했으며, 단일 RTX 6000 Pro를 사용한 통일된 평가 환경에서 LimiX-2보다 실행 속도가 빨랐다고 밝혔다.
• BeyondArena: NVIDIA는 ELO 1418, Improvability 7.78%로 1위를 기록했다고 밝혔다.
• TALENT: NVIDIA는 분류 정확도, 분류 로그 손실, 회귀 RMSE에서 종합 최고 순위를 기록했으며, 평균 순위는 각각 6.67, 3.98, 4.22였다고 밝혔다.
• ScoringBench: NVIDIA는 Large와 Medium 버전이 평균 순위에서 각각 1위와 2위를 차지했다고 밝혔다.

일반 독자에게 미치는 실제 영향

대부분의 사람은 이런 모델을 직접 사용하지 않겠지만, 이탈 예측, 채무 불이행 위험, 수요 예측, 가격 책정 등 일상 속 많은 판단이 표 형식 데이터 예측에 기대고 있다. NVIDIA의 설명이 사실이라면 기업과 연구자가 이런 예측 모델을 구축하는 데 드는 문턱과 시간이 줄어들고, 소규모 팀도 더 쉽게 시도할 수 있을 것이다. 다만 예측을 더 빨리 만들 수 있다고 해서 예측이 반드시 정확한 것은 아니다. 개인의 권익이 걸린 상황에서는 검증, 보정, 사람의 확인이 여전히 중요하다. 이 글은 정보 정리일 뿐이며, 어떤 제품이나 하드웨어의 구매 권유도 아니다.

이 주제의 최신 뉴스 보기

• AI 뉴스