AI-modeller og platforme
Databricks udgiver guide til tabulære grundmodeller for AI Runtime

NøglepunkterTabelbaserede fundamentmodeller bytter højere GPU-inferensomkostninger for besparelser…
Vis mere
- Tabelbaserede fundamentmodeller bytter højere GPU-inferensomkostninger for besparelser i ingeniør- og vedligeholdelsestid.
- TabICL siges at køre op til 10 gange hurtigere end TabPFNv2, samtidig med at den matcher dets klassificeringsbenchmarknøjagtighed.
- Licensering deler feltet, hvor TabFM- og TabPFNv3.5-vægte er begrænset til ikke-kommerciel brug.
Databricks udgav en teknisk guide den 16. november 2026 om at køre tabulære grundmodeller på AI Runtime, ledsaget af et offentligt kodearkiv til sammenligning af fem modeludbydere og afprøvning af arbejdsgange for finjustering.
Den offentlige løsningsaccelerator indeholder notesbøger og en fælles testramme til TabPFN, TabFM, TabICL, Nori og KumoTabular. Den er målrettet vedvarende virksomhedsarbejdsbelastninger: forudsigelser baseret på tabeller, der bruges til kreditrisikovurdering, kundeafgang, efterspørgselsprognoser og forudsigende vedligeholdelse, hvor traditionel udvikling kan kræve en separat trænings- og genoptræningspipeline for hver opgave.
Tabulære grundmodeller (TFM’er) leveres derimod fortrænet på millioner af forskellige syntetiske datasæt. Ved inferens uden eksempler fungerer mærkede rækker som kontekst for de rækker, der skal forudsiges noget om; transformerens opmærksomhedsmekanisme relaterer de nye rækker til disse eksempler og genererer forudsigelser i én fremadrettet gennemløbning uden opdatering af parametrene. Finjustering er fortsat en mulighed for teams, der ønsker at opdatere de fortrænede vægte med et proprietært datasæt.
Arkitektur, GPU-omkostninger og licensering
Specialiserede tokenizere omsætter numeriske, kategoriske og booleske egenskaber til en fælles repræsentation. TabPFNv2 veksler mellem opmærksomhed inden for rækker og kolonner for at lære samspillet mellem dem, men beregningsomkostningerne stiger hurtigt, når antallet af datapunkter og egenskaber vokser.
Forskningsartiklen om TabICL følger en anden tilgang: Den opbygger rækkeindlejringer med en fast dimensionalitet via opmærksomhed på kolonner og derefter rækker, inden den udfører kontekstbaseret læring på datasætniveau. Forfatterne oplyser, at modellen kan håndtere op til 500.000 datapunkter og 500 egenskaber, opnåede samme resultat som TabPFNv2 i deres evaluering af klassifikationsbenchmarks, kørte op til 10 gange hurtigere og klarede sig bedre end både TabPFNv2 og CatBoost på 53 datasæt med mere end 10.000 datapunkter. Den evaluerede version var begrænset til klassifikation, og benchmarkens enkeltmodeller, der var tunet på holdout-data, indfangede ikke de potentielle gevinster ved ensembler med krydsvalidering.
Hukommelse er fortsat en driftsmæssig begrænsning, selv når rækkerne komprimeres. Da kontekstbaseret læring bruger træningssættet ved hver forudsigelse, vokser GPU-hukommelsesbehovet med antallet af rækker og egenskaber. Databricks anbefaler at teste nøjagtighed, inferensforsinkelse, hukommelsesforbrug og omkostninger på organisationens egne data og oplyser, at inferens på en GPU koster mere pr. forudsigelse end kørsel af XGBoost på en CPU. Den mulige besparelse ligger i tid til udvikling og vedligeholdelse; den løbende udgift er accelereret databehandling.
Licensering er endnu et forhold, der påvirker valget af løsning til implementering. Guiden klassificerer TabICLv2 under BSD 3-Clause, Mitra v2 under Apache-2.0 og KumoTabular under OpenMDW-1.1 som licenser, der tillader kommerciel brug. TabFM- og TabPFNv3.5-vægtene er angivet som ikke-kommercielle, og kommerciel brug kræver aftaler med deres ophavspersoner. Kodearkivet skelner særskilt mellem TabPFN’s kommercielle, hostede API og de ikke-kommercielle vægte.
Fælles evaluering og implementering i produktion
Referenceimplementeringen giver modelsammenligninger et fælles grundlag. Alle understøttede implementeringer læser de samme syntetiske datasæt for detailhandel og forbrugsvarer, bruger identiske opdelinger i trænings- og testdata og logger fælles målinger samt scikit-learn-basismodeller i én resultattabel. Eksemplerne omfatter klassifikation, regression, registrering af afvigende værdier og prognoser baseret på tidsforskydninger, hvor den enkelte model understøtter disse opgaver.
Beregningskravene varierer. Selvhostede versioner af TabFM, TabICL, Nori og KumoTabular kan køre på serverløse CPU’er, men kodearkivet anbefaler GPU’er for at opnå praktisk ydeevne. Eksemplet med TabPFN kalder en hostet API, som er tilstrækkelig med CPU’er, mens et TabICL-eksempel gør det muligt for CPU-pipelines at sende inferens videre til et dedikeret GPU-slutpunkt til betjening.
AI Runtime kom før guiden: Databricks lancerede tjenesten som offentlig forhåndsvisning den 19. marts 2026 som en serverløs platform til distribueret GPU-træning. Databricks oplyser, at deres H100-GPU’er efter behov kan understøtte TabPFN-3 med op til 1 million rækker og 200 inputvariable. Notesbøger, Lakeflow Jobs, MLflow-sporing af eksperimenter og overvågning af GPU-udnyttelse tilbydes sammen med indbygget Docker-understøttelse og fjernadgang via SSH gennem Databricks CLI.
En demonstration af finjustering af KumoTabular viser GPU-forbrug og MLflow-målinger i en notesbog og registrerer den resulterende model i Unity Catalog. Til produktionsbrug beskriver guiden batchpipelines med høj gennemstrømning eller automatisk skalerende REST-slutpunkter i realtid via Model Serving, mens Unity Catalog administrerer modelversioner og styring.
Resultatet er en gentagelig metode til at teste, om TFM’er kan reducere ML-arbejdet for hver opgave uden at flytte data til separate GPU-værktøjer. Den forretningsmæssige begrundelse afhænger stadig af målinger, som kodearkivet ikke kan levere universelt: nøjagtigheden på organisationens egne tabeller, brugbare licensvilkår, og om lavere teknisk arbejdsbyrde opvejer de fortsatte omkostninger ved GPU-understøttede forudsigelser.












