PulseAugur
中
实时 00:28:52
实体 TabFM

TabFM

PulseAugur coverage of TabFM — every cluster mentioning TabFM across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
7
90 天内 24
发布 · 30天
0
90 天内 0
论文 · 30天
5
90 天内 13
层级分布 · 90 天
主题
时间线
  1. 2026-06-30 product_launch Google AI has introduced TabFM, a new foundation model for tabular data. 来源
  2. 2026-06-30 research_milestone Google Research announced the development of TabFM, a zero-shot foundation model for tabular data. 来源
  3. 2026-06-30 product_launch Google Research launched TabFM, a foundation model for tabular data that performs zero-shot classification and regression. 来源
  4. 2026-06-29 product_launch Google Research released TabFM, a new foundation model for tabular data integrated into BigQuery ML. 来源
情绪 · 30 天

2 天有情绪数据

最近 · 第 1/2 页 · 共 24 条
  1. TOOL · CL_352244 ·

    Google Research 的 TabFM 在金融预测方面优于 LLM

    研究人员推出表格基础模型(TFMs)作为一种有前途的金融预测新工具,特别是在预测公司下一年的收益变化方面。由 Google Research 开发的一个名为 TabFM 的 TFM 在基准测试中,其准确性优于经过微调的大型语言模型和传统的基于树的模型。虽然 TabFM 比大型语言模型更快、计算量更少,但一些基于树的模型提供了更快的预测速度,这在速度和准确性之间存在权衡。

  2. TOOL · CL_351456 ·

    Tabular Foundation Models Show Promise as Training-Free World Models

    一篇新论文探讨了预训练的表格基础模型(TabFM)作为强化学习和机器人规划的无训练世界模型的潜力。研究发现,TabFM在数据有限的情况下,尤其是在机器人运动任务中,其表现优于从头开始训练的LSTM和MLP等模型。然而,其准确性在很大程度上取决于提供的上下文量,长上下文能产生更好的结果,但仍未能达到完全训练的世界模型的水平。研究得出结论,虽然在上下文充足且数据稀缺的情况下,无训练先验模型很有用,但它们还不能替代规划应用中的已训练世界模型。

  3. COMMENTARY · CL_306040 ·

    通讯重点介绍 Glyf、系统设计资源和金融AI书籍

    通讯第110期重点介绍了Kannan Kalidasan的开源项目Glyf。它还提供了关于系统设计、本地推理和TabFM模型等主题的新学习资源。此外,该通讯推荐了Taehun Kim撰写的书籍《Financial AI in Practice》。

  4. TOOL · CL_292329 ·

    Google 的 TabFM 已部署到 Databricks Model Serving

    本文提供了一份实用指南,介绍如何使用 Databricks Model Serving 部署 Google 的 TabFM(一种表格基础模型)。文章详细介绍了打包模型并将其设置为实时端点的过程,以实现高效使用。

  5. RESEARCH · CL_294400 ·

    研究发现表格基础模型存在过度参数化问题,建议进行简化

    一篇新的研究论文表明,使用Transformer架构的表格基础模型(TFMs)存在显著的过度参数化问题。该研究提出了一种方法,可以在不显著损失性能的情况下替换TFM中高达96%的模块,证明即使是半深度模型也能超越全深度模型。这种简化可以显著节省参数、加快推理速度并减少内存使用,同时与传统的梯度提升决策树(GBDTs)相比仍能保持竞争力。研究还强调,不同的TFM家族以不同的方式表现出过度参数化,有些严重依赖编码器,而另一些则更广泛地分配计算。

  6. TOOL · CL_283736 ·

    激活对齐提升表格模型上下文学习能力

    研究人员开发了一种名为激活对齐的新方法,以提高表格基础模型在上下文学习中的性能。该技术通过训练一个轻量级的线性变换,将使用有限上下文的模型的中介激活映射到使用完整上下文的模型的中介激活,从而实现匹配。这种方法允许在保持更快的推理速度(与较小的上下文相关)的同时,显著缩小与使用整个数据集的模型相比的性能差距。该方法在使用了 TabPFN-3 和 TabFM 等领先表格基础模型的 38 个数据集上显示出广泛的改进。

  7. RESEARCH · CL_268943 ·

    新研究推动表格基础模型实现高效和鲁棒性

    多篇研究论文探讨了表格基础模型(TFMs)的进展,重点关注提高其效率、鲁棒性和适应性。知识蒸馏等技术正被用于从大型TFM创建更小、更快的学生模型,而RelICL和VIP-COP等新方法则解决了关系学习和上下文优化中的挑战。此外,研究正在探索架构选择和参数高效适应策略,以增强TFM在亚群体偏移和大规模数据集等各种数据条件下的性能。

  8. FRONTIER RELEASE · CL_254241 ·

    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…

  9. RESEARCH · CL_251457 ·

    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。

  10. TOOL · CL_239437 ·

    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。

  11. TOOL · CL_238030 ·

    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。

  12. TOOL · CL_235397 ·

    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。

  13. TOOL · CL_233426 ·

    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。

  14. TOOL · CL_221191 ·

    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。

  15. RESEARCH · CL_203068 ·

    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。

  16. COMMENTARY · CL_173282 ·

    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。

  17. RESEARCH · CL_169746 ·

    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。

  18. TOOL · CL_149880 ·

    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。

  19. SIGNIFICANT · CL_139007 ·

    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…

  20. TOOL · CL_138460 ·

    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。