KI-Modelle und Plattformen
Databricks veröffentlicht Leitfaden zu tabellarischen Foundation-Modellen für AI Runtime

Wichtige PunkteTabellarische Foundation-Modelle tauschen höhere GPU-Inferenzkosten gegen Einsparungen…
Mehr anzeigen
- Tabellarische Foundation-Modelle tauschen höhere GPU-Inferenzkosten gegen Einsparungen bei Engineering- und Wartungszeit.
- TabICL soll bis zu 10-mal schneller laufen als TabPFNv2 und dabei dessen Klassifikations-Benchmark-Genauigkeit erreichen.
- Die Lizenzierung teilt das Feld, wobei TabFM- und TabPFNv3.5-Gewichte auf nicht-kommerzielle Nutzung beschränkt sind.
Databricks veröffentlichte am 16. November 2026 einen technischen Leitfaden zum Ausführen tabellarischer Foundation-Modelle auf AI Runtime. Ergänzend dazu stellte das Unternehmen ein öffentliches Repository bereit, in dem sich fünf Modellanbieter vergleichen und Fine-Tuning-Workflows testen lassen.
Der öffentlich verfügbare Lösungsbeschleuniger umfasst Notebooks und ein gemeinsames Testgerüst für TabPFN, TabFM, TabICL, Nori und KumoTabular. Im Mittelpunkt stehen dauerhafte Workloads in Unternehmen: Vorhersagen auf Basis von Tabellen für Kreditrisiken, Kundenabwanderung, Bedarfsprognosen und vorausschauende Wartung. Bei herkömmlichen Entwicklungsansätzen kann für jede Aufgabe eine eigene Trainings- und erneute Trainingspipeline erforderlich sein.
Tabellarische Foundation-Modelle (TFMs) werden dagegen bereits mit Millionen vielfältiger synthetischer Datensätze vortrainiert. Bei der Zero-Shot-Inferenz dienen beschriftete Zeilen als Kontext für Zeilen, für die Vorhersagen benötigt werden. Die Transformer-Aufmerksamkeit stellt Beziehungen zwischen den neuen Zeilen und diesen Beispielen her und liefert die Vorhersagen in einem einzigen Vorwärtsdurchlauf, ohne die Parameter zu aktualisieren. Für Teams, die die vortrainierten Gewichte anhand eines proprietären Datensatzes aktualisieren möchten, bleibt Fine-Tuning eine Option.
Architektur, GPU-Kosten und Lizenzierung
Spezialisierte Tokenizer überführen numerische, kategoriale und boolesche Merkmale in eine gemeinsame Repräsentation. TabPFNv2 wechselt zwischen der Aufmerksamkeit innerhalb von Zeilen und Spalten, um Wechselwirkungen zu erlernen. Der Rechenaufwand steigt jedoch rasch mit der Zahl der Stichproben und Merkmale.
Der TabICL-Forschungsartikel verfolgt einen anderen Ansatz: Er erzeugt durch zunächst spalten-, dann zeilenweise Aufmerksamkeit Zeileneinbettungen fester Dimension, bevor das In-Context-Lernen auf Datensatzebene erfolgt. Die Autoren berichten, dass das Modell bis zu 500.000 Stichproben und 500 Merkmale verarbeiten kann, bei ihrer Evaluierung anhand von Klassifizierungs-Benchmarks mit TabPFNv2 gleichauf liegt, bis zu 10-mal schneller läuft und TabPFNv2 sowie CatBoost auf 53 Datensätzen mit mehr als 10.000 Stichproben übertrifft. Die evaluierte Version war auf Klassifizierung beschränkt. Die anhand von Holdout-Daten abgestimmten Einzelmodelle im Benchmark berücksichtigten zudem nicht die möglichen Zugewinne durch kreuzvalidierte Ensembles.
Auch bei komprimierten Zeilen bleibt der Speicherbedarf eine betriebliche Einschränkung. Da beim In-Context-Lernen der Trainingsdatensatz mit jeder Vorhersage bereitgestellt wird, steigt der GPU-Speicherbedarf mit der Zahl der Zeilen und Merkmale. Databricks empfiehlt, Genauigkeit, Inferenzlatenz, Speicherbedarf und Kosten anhand der eigenen Unternehmensdaten zu testen. Außerdem weist das Unternehmen darauf hin, dass GPU-Inferenz pro Vorhersage mehr kostet als die Ausführung von XGBoost auf einer CPU. Einsparungen sind möglicherweise bei Entwicklungs- und Wartungszeit zu erzielen; die laufenden Kosten für beschleunigte Rechenleistung bleiben bestehen.
Auch die Lizenzierung ist ein Kriterium für den Einsatz. Der Leitfaden stuft TabICLv2 unter BSD 3-Clause, Mitra v2 unter Apache-2.0 und KumoTabular unter OpenMDW-1.1 als kommerziell freizügig ein. Die Gewichte von TabFM und TabPFNv3.5 sind als nicht kommerziell gekennzeichnet; eine kommerzielle Nutzung setzt Vereinbarungen mit den jeweiligen Urhebern voraus. Das Repository unterscheidet außerdem zwischen der kommerziellen gehosteten API von TabPFN und dessen nicht kommerziellen Gewichten.
Gemeinsame Evaluierung und Bereitstellung im Produktivbetrieb
Die Referenzimplementierung schafft eine gemeinsame Grundlage für Modellvergleiche. Alle unterstützten Implementierungen lesen dieselben synthetischen Datensätze aus den Bereichen Einzelhandel und Konsumgüter, verwenden identische Trainings- und Testaufteilungen und protokollieren einheitliche Metriken sowie scikit-learn-Baselines in einer gemeinsamen Ergebnistabelle. Die Beispiele decken Klassifizierung, Regression, Ausreißererkennung und verzögerungsbasierte Prognosen ab, sofern das jeweilige Modell diese Aufgaben unterstützt.
Der Rechenbedarf unterscheidet sich je nach Modell. Selbst gehostete Versionen von TabFM, TabICL, Nori und KumoTabular können auf serverlosen CPUs ausgeführt werden, doch das Repository empfiehlt für eine praxistaugliche Leistung GPUs. Das TabPFN-Beispiel ruft eine gehostete API auf, für die CPUs ausreichen. Ein TabICL-Beispiel ermöglicht es dagegen, bei CPU-Pipelines die Inferenz an einen dedizierten GPU-Bereitstellungsendpunkt auszulagern.
AI Runtime gab es bereits vor dem Leitfaden: Databricks stellte den Dienst am 19. März 2026 als öffentliche Vorschau vor – als serverlosen Stack für verteiltes GPU-Training. Nach Angaben von Databricks können die bedarfsgesteuert verfügbaren H100-GPUs TabPFN-3 mit bis zu 1 Million Zeilen und 200 Merkmalen unterstützen. Neben nativer Docker-Unterstützung und dem Fernzugriff per SSH über die Databricks CLI bietet der Stack Notebooks, Lakeflow Jobs, MLflow-Experimentverfolgung und Beobachtbarkeit der GPU-Auslastung.
Eine Demonstration zum Fine-Tuning von KumoTabular zeigt die GPU-Nutzung und MLflow-Metriken in einem Notebook und registriert das resultierende Modell in Unity Catalog. Für den Produktivbetrieb beschreibt der Leitfaden entweder Batch-Pipelines mit hohem Durchsatz oder echtzeitfähige REST-Endpunkte mit automatischer Skalierung über Model Serving. Unity Catalog verwaltet dabei die Modellversionen und die Governance.
Das Ergebnis ist ein wiederholbarer Weg, um zu prüfen, ob TFMs den Aufwand für ML-Aufgaben reduzieren können, ohne Daten in separate GPU-Tools verschieben zu müssen. Die geschäftliche Rechtfertigung hängt weiterhin von Messwerten ab, die das Repository nicht allgemein bereitstellen kann: der Genauigkeit bei den unternehmenseigenen Tabellendaten, nutzbaren Lizenzbedingungen und der Frage, ob der geringere Entwicklungsaufwand die laufenden Kosten für GPU-gestützte Vorhersagen ausgleicht.












