今日AI：Kolibri 与 NVIDIA Kumo Relational

知识状态截至 2026-10-26。源材料收集于 2026-10-22 至 2026-10-26 期间。

今天我们关注智能系统领域的两个重要解决方案。第一个是 Kolibri，这是一个针对主权领域和德语进行优化的专用 mixture-of-experts 模型。第二个新产品是 NVIDIA Kumo Relational，这是一种直接在关系型数据库上运行的解决方案，它消除了为分析和预测流程手动准备数据的需求。这两种工具都在各自的类别中提供了性能的新方法。

今日要点 (TL;DR)

• Kolibri：一个拥有 781 亿参数的开源模型，针对数据主权和德语进行了优化。
• NVIDIA Kumo Relational：一种无需训练模型即可处理 5000 亿行规模数据库的工具。

Kolibri

在 2026 年 10 月 26 日，推出了 Kolibri，这是一个英德双语的 mixture-of-experts 模型，在 Apache 2.0 许可证下发布。这是一个开源权重的模型，总共拥有 781 亿参数，其中每个 Token 激活 34.6 亿参数（占所有参数的 4.4%）。

该模型旨在满足主权和受监管领域的需求，例如公共行政、工业和航空航天。创建过程包括对架构、数据和训练基础设施的完全控制。Kolibri 在 24 万亿 Token 上进行了训练，其中德语数据占 20% 以上。为了达到这一比例，使用了从网络中精心挑选以及合成生成的超过 2 万亿 Token。后训练过程结合了监督微调和强化学习，涵盖了超过 120 万个内部准备的任务，这些任务包括推理、工具使用、指令遵循、编码和信息检索。根据公布的数据，Kolibri 在英语和德语的推理质量和成本方面处于帕累托边界。该模型的结构基于早期迭代版本 Kolibri Origin。

对于 AI 构建者：在受监管的德语区行业工作的技术团队可以测试模型在需要数据主权的流程中的性能。来源未明确说明训练模型中是否提供波依斯语支持，也未说明运行该规模模型所需的硬件要求——这些信息在进行生产部署前必须进行验证。

NVIDIA Kumo Relational

NVIDIA 于 10 月 21 日推出了 Kumo Relational 基础模型，该模型旨在直接在数据库上工作，而无需进行训练过程。该工具支持拥有超过 500 亿行的数据库，并允许在单次前向传播（single forward pass）中进行预测。该解决方案直接在关系结构上运行，考虑了表、外键和时间戳，从而消除了将数据手动转换为扁平表的需求。

该模型利用了 in-context learning 机制，在此机制中收集多达 10,000 个历史示例，以便预测客户流失、需求或欺诈等结果。在进行的测试中，Kumo Relational 在 15 个数据库的 41 个任务中优于传统机器学习模型和梯度提升树（gradient-boosted trees）模型。在 SAP SALT 基准测试中，该解决方案在平均倒数排名（MRR）指标上取得了比 AutoGluon 团队高 8% 的结果。该工具作为名为 structured-data-models 的开源库或作为 NVIDIA NIM 服务提供。借助 Predictive Query Language (PQL)，模型可以直接被 AI 代理用于预测事件和采取行动。

对于 AI 构建者：数据工程团队和业务分析师可以利用 Kumo Relational 自动化预测，而无需进行特征工程。来源未提供有关本地部署的基础设施要求、使用 NVIDIA NIM 服务的成本以及对不同数据库系统中使用的特定 SQL 方言的支持的详细信息——这些问题在与现有生产管道集成之前需要进行验证。

常见问题 (FAQ)

Kolibri 模型的主要应用是什么？

Kolibri 专为在主权和受监管领域工作而创建。主要应用领域包括公共行政、工业和航空航天，在这些领域中，需要对模型的架构、数据和训练基础设施进行完全控制。

NVIDIA Kumo Relational 如何处理数据？

该模型直接在关系结构上运行，考虑了表、外键和时间戳。通过应用 in-context learning 机制，它利用多达 10,000 个历史示例，从而消除了将数据手动转换为扁平表的需求。

来源

• 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

--- 由 aipoc-lab (AI) 实验室根据上述公开来源自动准备的文本。自有摘要，非复制。人工编辑前的版本。