TabFM
PulseAugur coverage of TabFM — every cluster mentioning TabFM across labs, papers, and developer communities, ranked by signal.
- 2026-06-30 product_launch Google AI has introduced TabFM, a new foundation model for tabular data. 来源
- 2026-06-30 research_milestone Google Research announced the development of TabFM, a zero-shot foundation model for tabular data. 来源
- 2026-06-30 product_launch Google Research launched TabFM, a foundation model for tabular data that performs zero-shot classification and regression. 来源
- 2026-06-29 product_launch Google Research released TabFM, a new foundation model for tabular data integrated into BigQuery ML. 来源
6 天有情绪数据
-
新的表格基础模型 TabPFN-3.5 和 Causilo 取得最先进的成果
新的表格基础模型正在快速发展，Prior Labs 发布了 TabPFN-3.5，Nums AI 发布了 Causilo。TabPFN-3.5 表现强劲，在默认设置下，其性能优于 2015 年 Kaggle 竞赛的获胜解决方案（在 Otto 数据集上），并在多项基准测试中名列前茅。Causilo 在分类和回归任务的单模型中也处于 TabArena 排行榜的前列。研究还表明，虽然对于先进的表格基础模型而言，特征工程的收益正在减小，但提供…
-
Tabby：开源时间序列基础模型发布
研究人员发布了Tabby，一个开源的概率性时间序列基础模型，专为长上下文设计。Tabby采用仅编码器的patch Transformer架构，并在多样化的真实世界和合成数据集语料库上进行了训练。该模型支持多种下游任务，包括预测、分类和异常检测，在多个基准测试中取得了具有竞争力的零样本性能。这一进展符合创建大型语言模型之外的基础模型的更广泛趋势，将其能力扩展到时间序列等结构化数据。
-
Mitra-v2 表格基础模型以更小的尺寸实现SOTA性能
研究人员推出了一款新的表格基础模型Mitra-v2，该模型在分类和回归任务上取得了最先进的性能。Mitra-v2仅使用合成数据进行训练，采用了紧凑的二维Transformer架构，能够高效处理更长的上下文和更大的特征空间。尽管与TabFM等行业级模型相比尺寸较小，Mitra-v2在TabArena和TALENT等基准测试中仍表现出具有竞争力或更优的结果，使其成为表格数据问题的强大且广泛适用的开源选项。
-
表格大语言模型在电子表格预测任务上超越梯度提升树
一类新的基础模型，称为表格大语言模型，在电子表格预测任务上的表现优于传统的梯度提升树。这些模型，例如TabICLv2和Google Research的TabFM，能够像语言模型补全文本一样，零样本预测任何表格中的缺失值。对TabICLv2的独立验证证实了其在TabArena基准测试中的强劲表现，展示了在低服务成本下的竞争性准确性。
-
小米发布TabLDM，一个在合成数据上训练的表格基础模型
研究人员推出Xiaomi-TabLDM，一个用于分类和回归任务的新型表格基础模型。该模型通过上下文学习实现高预测精度，无需针对特定任务进行微调。它在从结构因果模型生成的合成数据上进行了预训练，能够实现高效的容量扩展和灵活的上下文利用。Xiaomi-TabLDM在各种基准测试中表现强劲，在OpenML-CTR23上排名第一，并显示出性能和计算成本之间的有利权衡。
-
新的GDP模型利用人口统计数据增强医疗保健预测
研究人员推出了一种新颖的医疗保健基础模型——通用人口统计预训练（GDP）模型，该模型专注于年龄和性别等人口统计属性。该模型旨在通过提取患者状态的内在表示来增强各种疾病和患者人群的预测性能。当集成到现有模型中时，GDP衍生的嵌入已被证明可以持续提高预测准确性并提升人口统计特征的重要性，其表现优于其他表格基础模型。
-
EXAONE Tabular 1.0：紧凑型基础模型在表格基准测试中达到SOTA
一份新的技术报告介绍了EXAONE Tabular 1.0，这是一个为分类和回归等表格数据任务设计的紧凑型基础模型家族。该模型通过在其Transformer架构中交织特征轴和项目轴注意力，实现了强大的预测性能和效率。EXAONE Tabular在包括TabArena和ScoringBench在内的多个基准测试中取得了最先进的结果，以显著更低的推理成本超越了更大的模型和复杂的集成。
-
新研究揭示表格基础模型的惊人泛化能力
新研究探讨了表格基础模型（TFMs）惊人的泛化能力，表明即使在单个真实表格上进行自监督预训练，也能实现强大的迁移学习。研究表明，TFMs的有用性更多地取决于任务和特征的数量和质量，而不是实例的数量。一篇论文提出了GEAR，一个两阶段的蒸馏框架，用于从TFMs创建轻量级、高效的预测器以进行生产部署，显著降低了延迟和内存成本，同时保持了高性能。另一项分析检查了TFMs在生产环境中的实际应用，测试了Google的TabFM在企业任务中的表现。
-
独立研究员就新颖的时间序列预测方法寻求建议
一位独立研究员开发了一种新颖的时间序列预测方法，与现有的 TabPFN/TabFM 和 LightGBM 等方法相比，其准确性有了显著提高。研究员正在寻求关于最佳前进方向的建议，考虑的选项包括在 arXiv 上发表论文、撰写包含 GitHub 代码发布的博客文章，或专注于实际的现实世界应用。主要目标是严格评估该方法，并确保其潜在影响得到认可，同时不夸大初步结果。
-
表格基础模型展现出潜力但面临部署障碍
近期研究表明，表格基础模型（TFMs），如TabPFN和TabFM，在表格机器学习任务上表现强劲，有时甚至超越XGBoost等传统梯度提升模型。然而，这些先进模型在实际部署中面临挑战，包括巨大的内存和计算资源需求。研究还显示，TFMs在面对分布外数据时性能会下降，这是现实世界场景中常见的问题，尽管它们与分布内数据的性能关系仍然成立。
-
TabFM Studio 通过点选式界面将表格基础模型引入电子表格
TabFM Studio 是一款新的 Web 应用程序，旨在让非程序员也能使用表格基础模型。该工具允许用户通过简单地选择目标列并提供数据，直接在电子表格上进行预测。该应用程序目前支持 Google 的 TabFM 模型，并在本地运行，为基于电子表格的预测提供了一个用户友好的界面。
-
Anthropic 发布 Claude Sonnet 5 和 Science 工作台，重新部署 Fable 5 · 跟踪 3 个来源
Anthropic 推出了 Claude Sonnet 5，这是一个改进的模型，以更低的成本提供了增强的推理和编码能力，现已成为免费和专业用户的默认模型。该公司还推出了 Claude Science，一个专为研究人员设计的专用 AI 工作台，并在美国出口限制解除后重新部署了 Claude Fable 5，其中包含新的安全措施。与此同时，据报道 OpenAI 通过新的优化实现了显著的推理成本降低，而 Meta AI 凭借其 Brain2…
-
学生集成Google的TabFM和TimesFM用于本地零样本机器学习任务
一名研究生开发了Zer0Fit，一个集成了Google的TabFM和TimesFM基础模型的本地服务器。该工具允许用户通过连接本地LLM接口执行零样本机器学习任务，如预测、分类和回归。Zer0Fit在Iris数据集上取得了94.7%的显著准确率，在回归任务上取得了0.91的R2分数，同时需要约16GB的显存。
-
Google发布TabFM，实现快速零样本预测分析
Google推出了TabFM，一款旨在加速企业预测分析的新AI模型。该模型利用零样本学习能力，无需特定任务训练即可快速从表格数据中生成洞察。TabFM旨在通过提供快速、准确的预测来增强商业智能和预测能力。
-
Google AI推出TabFM用于表格数据处理
Google AI推出了TabFM，一个旨在处理和转换表格数据的新基础模型。该模型旨在通过以零样本（zero-shot）方式运行来简化复杂的数据任务，这意味着它可以在没有针对这些数据集进行预先特定训练的情况下执行任务。这一发展被置于更广泛的AI进展背景下，包括量子AI和反滥用措施等领域。
-
Google Research 发布 TabFM，一个用于表格数据的零样本基础模型
Google Research 推出了 TabFM，一个专为表格数据设计的新型基础模型，该模型无需数据集特定的训练即可执行分类和回归任务。该模型利用混合注意力架构，结合了行和列注意力机制，并利用上下文学习在单次前向传播中进行预测。TabFM 使用数亿个合成数据集进行了大规模训练，现已在 Hugging Face 和 GitHub 等平台上提供。
-
Google推出TabFM用于表格数据；新研究探讨模型局限性
Google Research推出了TabFM，一个用于表格数据的零样本基础模型，该模型与BigQuery ML集成，以简化分类和回归任务。与需要大量手动调优的传统方法不同，TabFM使用上下文学习，在单次传递中从未见过的数据表中生成预测。同时，几篇研究论文探讨了表格基础模型的能力和局限性，其中一篇论文强调了关于规则约束数据的推理存在形式化障碍，另一篇论文则引入了一个基准来评估模型在标准独立同分布（IID）数据集之外的通用性。