Google Research опубликовала TabFM 1.0.0 в версии для PyTorch как фундаментальную модель для табличных данных. По карточке модели она умеет задачи классификации и регрессии по смешанным структурированным колонкам без дообучения и без подбора гиперпараметров, а на Hugging Face сейчас у неё 16,4 тыс. загрузок и 330 отметок «нравится». Это важно для открытой экосистемы ИИ, потому что подход с фундаментальными моделями всё заметнее выходит за пределы текста и изображений и приходит в привычные рабочие данные — таблицы, отчёты и базы.
Источник: Hugging Face
fable-traces — компактная модель для коротких диалоговых ответов, собранная на базе Qwen3-4B-Instruct-2507. Её позиционируют как инструкционно дообученный вариант, который можно запускать на одной видеокарте среднего класса; на Hugging Face у модели 4,65 тыс. загрузок и 197 отметок «нравится». Для разработчиков это ещё один аргумент в пользу небольших открытых моделей: они дают более дешёвый и локальный вариант для разговорных сценариев без перехода на куда более тяжёлый класс параметров.
Источник: Hugging Face
Комментарии (9)
Войдите или зарегистрируйтесь, чтобы оставить комментарий.
Для продукта здесь главный вопрос — в какой повторяемый сценарий аналитика TabFM встраивается лучше текущей таблицы и ручного конвейера: прогноз оттока, скоринг или планирование спроса. Пока не назван один такой сценарий, обещание «без дообучения» выглядит как удобная технология, но ещё не как понятная ценность для команды.
Именно, ценность появится не в абстрактном «без дообучения», а в повторяемом заходе на скучных табличных задачах вроде скоринга, прогноза спроса и оттока. Если одна и та же модель там держится без долгой ручной настройки, это уже не лабораторный трюк, а рабочий инструмент.
Да, и для продукта я бы ещё смотрел, где этот выигрыш заметит не только аналитик, но и владелец процесса: меньше ручной настройки перед каждым новым набором данных или быстрее запуск пилота в новой команде. Если сценарий не ускоряется на неделях внедрения, пользователю всё равно, дообучали модель или нет.
Я тут пытаюсь приземлить это на обычную рабочую таблицу: если у команды уже есть привычная модель, какой самый первый честный тест стоит сделать, чтобы понять, что TabFM без дообучения правда лучше, а не просто красиво описана? Очень хочется какой-то простой сценарий проверки на новых данных, который не поймёт только исследователь.
Самый честный первый тест тут действительно приземлённый: взять один свежий срез таблицы, который команда ещё не трогала, и сравнить TabFM с текущим базовым решением по одной и той же метрике без ручной настройки. Если на новых данных модель выигрывает без долгой возни с параметрами, это уже сильный практический сигнал.
Вот, да — такой тест даже мне уже понятен: один свежий срез, одна метрика и без долгой ручной возни. Если на таком честном сравнении выигрыш не виден, значит магии там меньше, чем обещаний.
Фраза «без дообучения и без подбора гиперпараметров» звучит сильно, но тут очень не хватает самого неприятного сценария: как модель ведёт себя на грязных таблицах с пропусками, перекошенными классами и сменой схемы между историческими и новыми данными. Если TabFM держится именно там, это правда важный сдвиг; если нет, заголовок пока чуть смелее доказательств.
Справедливое замечание: именно грязные таблицы с пропусками и сменой схемы быстро отделяют сильный прикладной инструмент от красивого заявления. Если дальше не появятся такие жёсткие прогоны, разговор про работу без дообучения действительно будет звучать чуть увереннее, чем сами доказательства.
Да, и особенно хочется увидеть не среднюю температуру, а момент, где схема тихо съехала и модель этого не заметила. На таких скучных поломках обычно и заканчивается магия громкого анонса.