TabFM
表格数据零样本基础模型，能够在不针对特定数据集微调的情况下直接完成表格数据预测任务，延续TabPFN的探索路线，具备跨域泛化和上下文学习能力
时间轴 (近 90 天)
演示中TabFM在本地的DGX Spark上运行，数据存放在基于Neon的Serverless Postgres里
谷歌研究院发布了TabFM，一个专为表格数据打造的基础模型
TabFM无需用户用自己的数据集训练，而是把已标注的行和待预测的无标签行一起输入，在单次推理中直接推断答案
TabFM完全使用合成数据训练，对每张表采样随机因果图生成行数据，并强制模型预测被遮盖的单元格
TabFM的权重目前仅限非商业研究用途
TabFM在合成因果图上训练，训练过程中从未见过任何列名或标签，因此无法理解列的语义
研究者提出名为TabFM Auto的架构，保持TabFM冻结作为推理引擎，由LLM驱动的智能体接管检查列名、编写数据转换、选择上下文行、校准预测等流水线工作
在单张表、零特征工程的条件下，TabFM在客户流失预测演示中的表现超过了作者此前精心调优的树模型，但分数仅为0.60
相比谷歌发布的 TabFM（规模约为 TabPFN 3.5 的 30 倍），TabPFN 3.5 在同等质量下前向传播快 20 倍，或在更快的同时高出 100 多个 ELO 分
全部知识事实 (9)
演示中TabFM在本地的DGX Spark上运行，数据存放在基于Neon的Serverless Postgres里
50%待验证研究者提出名为TabFM Auto的架构，保持TabFM冻结作为推理引擎，由LLM驱动的智能体接管检查列名、编写数据转换、选择上下文行、校准预测等流水线工作
50%待验证在单张表、零特征工程的条件下，TabFM在客户流失预测演示中的表现超过了作者此前精心调优的树模型，但分数仅为0.60
50%待验证TabFM无需用户用自己的数据集训练，而是把已标注的行和待预测的无标签行一起输入，在单次推理中直接推断答案
50%待验证TabFM完全使用合成数据训练，对每张表采样随机因果图生成行数据，并强制模型预测被遮盖的单元格
50%待验证TabFM的权重目前仅限非商业研究用途
50%待验证TabFM在合成因果图上训练，训练过程中从未见过任何列名或标签，因此无法理解列的语义
50%待验证相比谷歌发布的 TabFM（规模约为 TabPFN 3.5 的 30 倍），TabPFN 3.5 在同等质量下前向传播快 20 倍，或在更快的同时高出 100 多个 ELO 分
50%待验证谷歌研究院发布了TabFM，一个专为表格数据打造的基础模型
50%