Google Research представила TabFM, новую базовую модель, призванную революционизировать прогнозирование на основе табличных данных. Традиционные методы требуют значительных ручных усилий при подготовке данных, инженерии признаков и настройке гиперпараметров для каждого нового набора данных. TabFM, однако, рассматривает прогнозирование табличных данных как проблему обучения в контексте, позволяя делать прогнозы для невиданных ранее данных за один прямой проход. Это значительно сокращает время вывода на рынок для предприятий с недель до простого вызова API. В отличие от больших языковых моделей, которые испытывают трудности со структурированными данными, TabFM обрабатывает таблицы как сетки, сохраняя структурную целостность и математическую точность. Это достигается за счет объединения сильных сторон более ранних моделей, TabPFN и TabICL, посредством чередующегося внимания к строкам и столбцам, сжатия строк и обучения в контексте. TabFM был обучен на миллионах синтетических наборов данных, сгенерированных из структурных каузальных моделей, изучая фундаментальные априорные знания о взаимодействии данных без использования конфиденциальных данных из реального мира. Тестирование на TabArena показывает, что прогнозы TabFM в режиме zero-shot соответствуют или превосходят настроенные контролируемые базовые модели. Хотя TabFM не предназначен для замены всех высокооптимизированных производственных моделей, он обеспечивает значительную скорость для небольших инженерных команд. Компромисс заключается в стоимости вывода; обучение исключается, но вычислительные затраты во время выполнения увеличиваются, поскольку исторические данные обрабатываются для каждого прогноза. TabFM предлагает API, совместимый с scikit-learn, и нативно обрабатывает смешанные типы данных. Текущие ограничения включают ограничение вывода в 10 классов и оптимизацию до 500 признаков. Хотя код является открытым исходным кодом, коммерческое развертывание предварительно обученной модели в настоящее время ограничено. Google интегрирует TabFM в BigQuery для облегчения доступа в облаке. TabFM идеально подходит для быстрого прототипирования, сценариев с высокой степенью дрейфа данных и наборов данных среднего размера, при этом традиционные модели остаются предпочтительными для сверхнизкой задержки или чрезвычайно больших наборов данных.