AI dziś: Kolibri i NVIDIA Kumo Relational

Dziś przyglądamy się dwóm istotnym rozwiązaniom w sektorze systemów inteligentnych. Pierwszym z nich jest Kolibri, specjalistyczny model typu mixture-of-experts zoptymalizowany pod kątem suwerennych domen i języka niemieckiego. Drugą nowością jest NVIDIA Kumo Relational, rozwiązanie przeznaczone do pracy bezpośrednio na relacyjnych bazach danych, które eliminuje potrzebę ręcznego przygotowywania danych do procesów analitycznych i predykcyjnych. Oba narzędzia oferują nowe podejście do wydajności w swoich kategoriach.

Najważniejsze dziś (TL;DR)

• Kolibri: Otwarty model 78,1 mld parametrów zoptymalizowany pod kątem suwerenności danych i języka niemieckiego.
• NVIDIA Kumo Relational: Narzędzie do pracy na bazach danych o skali 500 mld wierszy bez konieczności trenowania modelu.

Kolibri

W dniu 26 października 2026 roku zaprezentowano Kolibri, angielsko-niemiecki model typu mixture-of-experts, udostępniony na licencji Apache 2.0. Jest to model o otwartych wagach, który dysponuje 78,1 mld parametrów ogółem, z czego 3,46 mld parametrów jest aktywowanych dla każdego tokena (co stanowi 4,4% wszystkich parametrów).

Model został stworzony z myślą o suwerennych i regulowanych domenach, takich jak administracja publiczna, przemysł oraz branża lotnicza. Proces tworzenia obejmował pełną kontrolę nad architekturą, danymi oraz infrastrukturą treningową. Kolibri wytrenowano na 24 bln tokenów, przy czym język niemiecki stanowi ponad 20% danych. Aby osiągnąć ten udział, wykorzystano ponad 2 bln tokenów wyselekcjonowanych z sieci oraz wygenerowanych syntetycznie. Proces potrenigowy łączy dostrajanie nadzorowane z uczeniem przez wzmacnianie na ponad 1,2 mln wewnętrznie przygotowanych zadań, które obejmują wnioskowanie, obsługę narzędzi, podążanie za instrukcjami, kodowanie oraz wyszukiwanie informacji. Według opublikowanych danych, Kolibri znajduje się na granicy Pareto w zakresie jakości i kosztów inferencji dla języka angielskiego i niemieckiego. Konstrukcja modelu bazuje na wcześniejszej iteracji o nazwie Kolibri Origin.

Dla budujacych z AI: Zespoły techniczne pracujące w regulowanych sektorach niemieckojęzycznych mogą sprawdzić wydajność modelu w procesach wymagających suwerenności danych. Źródło nie precyzuje dostępności języka polskiego w wytrenowanym modelu oraz nie podaje wymagań sprzętowych dla uruchomienia modelu o tej skali – te informacje należy zweryfikować przed wdrożeniem produkcyjnym.

NVIDIA Kumo Relational

Firma NVIDIA zaprezentowała 21 października model bazowy Kumo Relational, przeznaczony do pracy bezpośrednio na bazach danych bez konieczności przeprowadzania procesu trenowania. Narzędzie to obsługuje bazy danych posiadające ponad 500 miliardów wierszy i pozwala na dokonywanie przewidywań w pojedynczym przebiegu w przód (single forward pass). Rozwiązanie działa bezpośrednio na strukturze relacyjnej, uwzględniając tabele, klucze obce oraz sygnatury czasowe, co eliminuje potrzebę ręcznego przekształcania danych do postaci płaskiej tabeli.

Model wykorzystuje mechanizm in-context learning, w ramach którego zbiera do 10 000 historycznych przykładów w celu przewidywania wyników takich jak rezygnacja klientów, popyt czy oszustwa. W przeprowadzonych testach Kumo Relational przewyższył tradycyjne modele uczenia maszynowego oraz potokowe modele gradientowo-wzmocnionych drzew (gradient-boosted trees) w 41 zadaniach na 15 bazach danych. Na benchmarku SAP SALT rozwiązanie osiągnęło wynik o 8% wyższy w metryce średniej odwrotnej rangi (MRR) niż zespoły AutoGluon. Narzędzie jest dostępne jako biblioteka open-source pod nazwą structured-data-models lub jako usługa NVIDIA NIM. Dzięki językowi Predictive Query Language (PQL), model może być bezpośrednio wykorzystywany przez agentów AI do przewidywania zdarzeń i podejmowania działań.

Dla budujących z AI: Zespoły inżynierów danych i analitycy biznesowi mogą wykorzystać Kumo Relational do automatyzacji predykcji bez konieczności inżynierii cech. Źródło nie podaje szczegółów dotyczących wymagań infrastrukturalnych dla lokalnych wdrożeń, kosztów korzystania z usługi NVIDIA NIM ani wsparcia dla specyficznych dialektów SQL używanych w różnych systemach bazodanowych – te kwestie wymagają weryfikacji przed integracją z istniejącymi potokami produkcyjnymi.

Najczęściej zadawane pytania (FAQ)

Jakie są główne zastosowania modelu Kolibri?

Kolibri został stworzony z myślą o pracy w suwerennych i regulowanych domenach. Główne obszary zastosowań obejmują administrację publiczną, przemysł oraz branżę lotniczą, gdzie wymagana jest pełna kontrola nad architekturą, danymi oraz infrastrukturą treningową modelu.

W jaki sposób NVIDIA Kumo Relational przetwarza dane?

Model działa bezpośrednio na strukturze relacyjnej, uwzględniając tabele, klucze obce oraz sygnatury czasowe. Dzięki zastosowaniu mechanizmu in-context learning, wykorzystuje do 10 000 historycznych przykładów, co pozwala eliminować potrzebę ręcznego przekształcania danych do postaci płaskiej tabeli.

Źródła

• Kolibri: A Sovereign European Model on the Pareto Frontier — 2026-10-26
• NVIDIA Kumo Relational Outperforms Supervised Machine Learning on Relational Data, No Training Required — 2026-10-21

--- Tekst przygotowany automatycznie przez laboratorium aipoc-lab (AI) na podstawie publicznie dostępnych źródeł wymienionych powyżej. Streszczenia własne, nie kopie. Wersja przed redakcją człowieka.