Μοντέλα και πλατφόρμες AI
Η Databricks δημοσιεύει οδηγό για τα θεμελιώδη μοντέλα σε μορφή πίνακα στο AI Runtime

Βασικά σημείαΤα θεμελιώδη μοντέλα πινάκων ανταλλάσσουν υψηλότερο κόστος συμπερασμού GPU με…
Δείτε περισσότερα
- Τα θεμελιώδη μοντέλα πινάκων ανταλλάσσουν υψηλότερο κόστος συμπερασμού GPU με εξοικονόμηση χρόνου μηχανικής και συντήρησης.
- Το TabICL σύμφωνα με αναφορές εκτελείται έως και 10 φορές ταχύτερα από το TabPFNv2 ενώ ανταποκρίνεται στην ακρίβεια των σημείων αναφοράς ταξινόμησής του.
- Η αδειοδότηση διχάζει τον τομέα με τα βάρη των TabFM και TabPFNv3.5 να περιορίζονται σε μη εμπορική χρήση.
Στις 16 Νοεμβρίου 2026, η Databricks δημοσίευσε έναν τεχνικό οδηγό για την εκτέλεση θεμελιωδών μοντέλων σε μορφή πίνακα στο AI Runtime, μαζί με ένα δημόσιο αποθετήριο για τη σύγκριση πέντε παρόχων μοντέλων και τη δοκιμή ροών εργασίας προσαρμογής.
Ο δημόσια διαθέσιμος επιταχυντής λύσεων περιλαμβάνει σημειωματάρια και ένα κοινό πλαίσιο δοκιμών για τα TabPFN, TabFM, TabICL, Nori και KumoTabular. Στόχος του είναι να υποστηρίξει διαρκείς επιχειρησιακές εργασίες: προβλέψεις από πίνακες που χρησιμοποιούνται για την αξιολόγηση πιστωτικού κινδύνου, την πρόβλεψη αποχώρησης πελατών, την πρόβλεψη ζήτησης και την προγνωστική συντήρηση, όπου η συμβατική ανάπτυξη μπορεί να απαιτεί ξεχωριστή διοχέτευση εκπαίδευσης και επανεκπαίδευσης για κάθε εργασία.
Αντίθετα, τα θεμελιώδη μοντέλα σε μορφή πίνακα (TFM) διατίθενται ήδη προεκπαιδευμένα σε εκατομμύρια ποικίλα συνθετικά σύνολα δεδομένων. Στη συμπερασματολογία μηδενικής εκμάθησης, οι επισημασμένες γραμμές χρησιμεύουν ως πλαίσιο αναφοράς για τις γραμμές για τις οποίες ζητούνται προβλέψεις· ο μηχανισμός προσοχής του μετασχηματιστή συσχετίζει τις νέες γραμμές με αυτά τα παραδείγματα και επιστρέφει προβλέψεις σε ένα πέρασμα προς τα εμπρός, χωρίς ενημέρωση των παραμέτρων. Η προσαρμογή παραμένει διαθέσιμη ως επιλογή για τις ομάδες που θέλουν να ενημερώσουν τα προεκπαιδευμένα βάρη με βάση ένα ιδιόκτητο σύνολο δεδομένων.
Αρχιτεκτονική, κόστος GPU και άδειες χρήσης
Εξειδικευμένοι διακριτοποιητές αντιστοιχίζουν τα αριθμητικά, κατηγορικά και δυαδικά χαρακτηριστικά σε μια κοινή αναπαράσταση. Το TabPFNv2 εναλλάσσει την προσοχή εντός των γραμμών και των στηλών για να μαθαίνει τις αλληλεπιδράσεις, αλλά το υπολογιστικό του κόστος αυξάνεται ραγδαία όσο μεγαλώνει ο αριθμός των δειγμάτων και των χαρακτηριστικών.
Η ερευνητική εργασία για το TabICL ακολουθεί διαφορετική προσέγγιση: δημιουργεί ενσωματώσεις γραμμών σταθερής διάστασης, εφαρμόζοντας πρώτα προσοχή στις στήλες και έπειτα στις γραμμές, πριν από την εκμάθηση εντός πλαισίου σε επίπεδο συνόλου δεδομένων. Οι συγγραφείς αναφέρουν ότι το μοντέλο διαχειρίζεται έως και 500.000 δείγματα και 500 χαρακτηριστικά, επιτυγχάνει επιδόσεις αντίστοιχες με του TabPFNv2 στην αξιολόγηση συγκριτικής δοκιμής ταξινόμησης, εκτελείται έως και 10 φορές ταχύτερα και ξεπερνά τόσο το TabPFNv2 όσο και το CatBoost σε 53 σύνολα δεδομένων με περισσότερα από 10.000 δείγματα. Η έκδοση που αξιολογήθηκε περιοριζόταν στην ταξινόμηση, ενώ τα μεμονωμένα μοντέλα της συγκριτικής δοκιμής, ρυθμισμένα με βάση ένα σύνολο δεδομένων holdout, δεν αποτύπωναν τα πιθανά οφέλη από σύνολα μοντέλων με διασταυρούμενη επικύρωση.
Η μνήμη εξακολουθεί να αποτελεί επιχειρησιακό περιορισμό, ακόμη και με τη συμπίεση των γραμμών. Επειδή η εκμάθηση εντός πλαισίου τροφοδοτεί κάθε πρόβλεψη με το σύνολο εκπαίδευσης, οι απαιτήσεις μνήμης της GPU αυξάνονται ανάλογα με τον αριθμό των γραμμών και των χαρακτηριστικών. Η Databricks συνιστά να δοκιμάζονται η ακρίβεια, η καθυστέρηση συμπερασματολογίας, η χρήση μνήμης και το κόστος στα δεδομένα του ίδιου του οργανισμού και αναφέρει ότι η συμπερασματολογία σε GPU κοστίζει περισσότερο ανά πρόβλεψη από την εκτέλεση του XGBoost σε CPU. Η πιθανή εξοικονόμηση αφορά τον χρόνο μηχανικής ανάπτυξης και συντήρησης· η συνεχιζόμενη δαπάνη αφορά τους επιταχυνόμενους υπολογισμούς.
Οι άδειες χρήσης αποτελούν ένα ακόμη κριτήριο για την ανάπτυξη. Ο οδηγός κατατάσσει τις άδειες των TabICLv2, Mitra v2 και KumoTabular, αντίστοιχα, ως BSD 3-Clause, Apache-2.0 και OpenMDW-1.1, επισημαίνοντάς τες ως ευνοϊκές για εμπορική χρήση. Τα βάρη των TabFM και TabPFNv3.5 αναφέρονται ως μη εμπορικά, με την εμπορική χρήση να υπόκειται σε συμφωνίες με τους δημιουργούς τους. Το αποθετήριο διακρίνει επίσης το εμπορικό φιλοξενούμενο API του TabPFN από τα μη εμπορικά βάρη του.
Κοινή αξιολόγηση και ανάπτυξη σε περιβάλλον παραγωγής
Η υλοποίηση αναφοράς παρέχει κοινή βάση για τη σύγκριση μοντέλων. Κάθε υποστηριζόμενη υλοποίηση διαβάζει τα ίδια συνθετικά σύνολα δεδομένων λιανικής και καταναλωτικών συσκευασμένων προϊόντων, χρησιμοποιεί τα ίδια διαχωρισμένα σύνολα εκπαίδευσης και δοκιμής και καταγράφει κοινές μετρικές και βασικά μοντέλα του scikit-learn σε έναν ενιαίο πίνακα αποτελεσμάτων. Τα παραδείγματα καλύπτουν ταξινόμηση, παλινδρόμηση, ανίχνευση ακραίων τιμών και πρόβλεψη βάσει χρονικών υστερήσεων, όπου υποστηρίζονται από το εκάστοτε μοντέλο.
Οι απαιτήσεις υπολογιστικών πόρων διαφέρουν. Τα αυτοφιλοξενούμενα TabFM, TabICL, Nori και KumoTabular μπορούν να εκτελεστούν σε διακομιστές CPU χωρίς διαχείριση υποδομής, αλλά το αποθετήριο συνιστά τη χρήση GPU για ικανοποιητικές επιδόσεις στην πράξη. Το παράδειγμα του TabPFN καλεί ένα φιλοξενούμενο API, για το οποίο επαρκούν οι CPU, ενώ ένα παράδειγμα του TabICL επιτρέπει στις διοχετεύσεις CPU να μεταφέρουν τη συμπερασματολογία σε ένα αποκλειστικό τελικό σημείο εξυπηρέτησης GPU.
Το AI Runtime προϋπήρχε του οδηγού: η Databricks το παρουσίασε σε δημόσια προεπισκόπηση στις 19 Μαρτίου 2026, ως στοίβα χωρίς διακομιστές για κατανεμημένη εκπαίδευση σε GPU. Σύμφωνα με την Databricks, οι GPU H100 που διατίθενται κατ’ απαίτηση μπορούν να υποστηρίξουν το TabPFN-3 με έως και 1 εκατομμύριο γραμμές επί 200 χαρακτηριστικά. Τα σημειωματάρια, οι εργασίες Lakeflow Jobs, η παρακολούθηση πειραμάτων MLflow και η παρατηρησιμότητα της χρήσης GPU συνδυάζονται με εγγενή υποστήριξη Docker και απομακρυσμένη πρόσβαση SSH μέσω του Databricks CLI.
Μια επίδειξη προσαρμογής του KumoTabular εμφανίζει σε ένα σημειωματάριο τη χρήση GPU και τις μετρικές του MLflow, ενώ καταχωρίζει το μοντέλο που προκύπτει στο Unity Catalog. Για χρήση σε περιβάλλον παραγωγής, ο οδηγός περιγράφει διοχετεύσεις ομαδικής επεξεργασίας υψηλής απόδοσης ή κλιμακούμενα αυτομάτως τελικά σημεία REST πραγματικού χρόνου μέσω του Model Serving, με το Unity Catalog να διαχειρίζεται τις εκδόσεις των μοντέλων και τη διακυβέρνηση.
Το αποτέλεσμα είναι μια επαναλήψιμη διαδικασία για να διαπιστωθεί αν τα TFM μπορούν να μειώσουν τον φόρτο εργασίας μηχανικής μάθησης ανά εργασία, χωρίς να μετακινούνται δεδομένα σε ξεχωριστά εργαλεία GPU. Η επιχειρηματική σκοπιμότητα εξακολουθεί να εξαρτάται από μετρήσεις που το αποθετήριο δεν μπορεί να προσφέρει καθολικά: την ακρίβεια στα ίδια τα δεδομένα του οργανισμού σε μορφή πίνακα, τους αποδεκτούς όρους αδειοδότησης και το κατά πόσο η μείωση του φόρτου μηχανικής ανάπτυξης αντισταθμίζει το συνεχιζόμενο κόστος των προβλέψεων με υποστήριξη GPU.












