انویدیا کتابخانه‌ای به نام Structured Data Models منتشر کرده که چند مدل بنیادین از پیش آموزش‌دیده را برای داده‌های جدولی و رابطه‌ای پشت یک رابط PyTorch قرار می‌دهد. ایده اصلی ساده است: هیچ مدلی آموزش یا fine-tune نمی‌شود. به‌جای آن، ردیف‌های برچسب‌دار به‌عنوان context و ردیف‌های مورد نظر به‌عنوان query به مدل داده می‌شود و مدل در یک forward pass احتمال یا توزیع کامل پیش‌بینی برمی‌گرداند.

مدل‌ها، اندازه و مجوزها#

کتابخانه چهار مدل را wrap می‌کند:

  • TabICLv2 — جدولی، in-context learning (منتشرشده در ICML '26)، حدود ۱۱۰ مگابایت per task head، مجوز BSD-3
  • KumoTabular — جدولی، سه نسخه small/medium/large؛ small حدود ۱۱۰ مگابایت، large حدود ۸۵۵ مگابایت، مجوز OpenMDW
  • KumoRelational — چندجدولی (KumoRFM-2)، حدود ۱۲۰ مگابایت، مجوز OpenMDW
  • TabFM و TimesFM 3 از گوگل — ۶/۵ و ۱/۳ گیگابایت، مجوز non-commercial (در این آموزش استفاده نشده)

نکات عملی نصب و محدودیت‌ها#

بسته روی PyPI فقط یک placeholder است و نصب از ریپازیتوری GitHub انجام می‌شود. برای مدل رابطه‌ای، pyg-lib لازم است و یک تله در نصب وجود دارد: چرخه‌های pyg-lib بر اساس نسخه minor پای‌تورچ منتشر می‌شوند (مثلاً torch-2.14.0+cpu) اما پیام ImportError خود کتابخانه URL را از نسخه patch دقیق می‌سازد (torch-2.14.1+cpu) که صفحه خالی است. راه‌حل: ساخت URL از major.minor.0.

آموزش روی CPU به‌طور کامل تأیید شده است. روی T4 می‌توان device را به cuda تغییر داد.

مسائلی که پیش‌فرض‌ها بی‌صدا خراب می‌کنند#

دو نکته در آموزش برجسته شده که در استفاده عملی مهم‌اند: دستورالعمل پیش‌فرض preprocessing ستون‌های timestamp و text را حذف می‌کند، و در ابزار explainer دو تله وجود دارد. همچنین در مدل رابطه‌ای، یک آرگومان مشخص مرز بین مدلی که leak دارد و مدلی که honest است را تعیین می‌کند.

خوانش تحریریه#

برای کسی که امروز با ابزارهای موجود ایجنت یا اتوماسیون می‌سازد، این خبر بیشتر یک convenience layer است تا یک capability تازه. مدل‌های جدولی از پیش آموزش‌دیده قبلاً وجود داشتند؛ چیزی که اینجا اضافه شده، یک رابط واحد PyTorch و بسته‌بندی چند مدل پشت آن است. اندازه‌های کوچک (زیر ۱۲۰ مگابایت برای نسخه‌های اصلی) یعنی می‌توان این کار را روی CPU انجام داد، که برای prototyping و edge deployment معنا دارد. اما محدودیت‌های واقعی هنوز سر جایشان‌اند: TabFM و TimesFM 3 مجوز تجاری ندارند، پیش‌فرض‌های preprocessing ستون‌های متنی و زمانی را دور می‌ریزند، و در مدل رابطه‌ای باید دستی مراقب leak بود. یعنی این کتابخانه کار را از «ساختن مدل» به «ساختن context درست» منتقل کرده، نه اینکه مشکل context engineering را حل کند.

منبع: MarkTechPost