Modele i platformy AI
Databricks publikuje przewodnik po tabelarycznych modelach bazowych dla AI Runtime

Kluczowe punktyTabelaryczne modele bazowe wymieniają wyższe koszty wnioskowania na GPU na oszczędności…
Zobacz więcej
- Tabelaryczne modele bazowe wymieniają wyższe koszty wnioskowania na GPU na oszczędności w czasie inżynierii i utrzymania.
- Według doniesień TabICL działa nawet 10 razy szybciej niż TabPFNv2, osiągając jednocześnie porównywalną dokładność w benchmarkach klasyfikacji.
- Licencjonowanie dzieli tę dziedzinę, ponieważ wagi TabFM i TabPFNv3.5 są ograniczone do użytku niekomercyjnego.
Databricks opublikował 16 listopada 2026 roku przewodnik techniczny dotyczący uruchamiania tabelarycznych modeli bazowych w AI Runtime. Towarzyszy mu publiczne repozytorium, które umożliwia porównywanie pięciu dostawców modeli i testowanie procesów dostrajania.
Publiczny akcelerator rozwiązań udostępnia notatniki i wspólne środowisko testowe dla TabPFN, TabFM, TabICL, Nori i KumoTabular. Jest przeznaczony do stałych obciążeń w przedsiębiorstwach: przewidywania wyników na podstawie tabel wykorzystywanych do oceny ryzyka kredytowego, rezygnacji klientów, prognozowania popytu i konserwacji predykcyjnej. W takich zastosowaniach tradycyjne podejście może wymagać osobnego procesu trenowania i ponownego trenowania dla każdego zadania.
Tabelaryczne modele bazowe (TFM) są natomiast wstępnie trenowane na milionach zróżnicowanych syntetycznych zbiorów danych. Podczas wnioskowania zero-shot oznaczone wiersze stanowią kontekst dla wierszy, dla których trzeba wygenerować predykcje; mechanizm uwagi transformera zestawia nowe wiersze z tymi przykładami i zwraca predykcje w jednym przebiegu w przód, bez aktualizacji parametrów. Zespoły, które chcą zaktualizować wstępnie wytrenowane wagi na zastrzeżonym zbiorze danych, nadal mogą dostroić model.
Architektura, koszty GPU i licencjonowanie
Specjalistyczne tokenizatory przekształcają cechy liczbowe, kategorialne i logiczne do wspólnej reprezentacji. TabPFNv2 naprzemiennie stosuje mechanizm uwagi do wierszy i kolumn, aby uczyć się zależności, jednak jego koszt obliczeniowy szybko rośnie wraz ze wzrostem liczby próbek i cech.
Artykuł badawczy o TabICL przedstawia inne podejście: najpierw, dzięki mechanizmowi uwagi obejmującemu kolejno kolumny i wiersze, tworzy osadzenia wierszy o stałym wymiarze, a następnie stosuje uczenie kontekstowe na poziomie zbioru danych. Autorzy informują, że model obsługuje do 500 000 próbek i 500 cech, osiąga wyniki porównywalne z TabPFNv2 w przeprowadzonej przez nich ewaluacji benchmarkowej klasyfikacji, działa nawet 10 razy szybciej oraz przewyższa zarówno TabPFNv2, jak i CatBoost na 53 zbiorach danych zawierających ponad 10 000 próbek. Oceniana wersja obsługiwała wyłącznie klasyfikację, a pojedyncze modele dostrojone na zbiorze odłożonym w ramach benchmarku nie uwzględniały potencjalnych korzyści z zespołów modeli walidowanych krzyżowo.
Pamięć pozostaje ograniczeniem operacyjnym nawet po kompresji wierszy. Ponieważ uczenie kontekstowe wymaga dostarczenia zbioru treningowego przy każdej predykcji, zapotrzebowanie na pamięć GPU rośnie wraz z liczbą wierszy i cech. Databricks zaleca testowanie dokładności, opóźnienia wnioskowania, zużycia pamięci i kosztów na własnych danych organizacji. Firma informuje też, że wnioskowanie na GPU kosztuje więcej w przeliczeniu na predykcję niż uruchamianie XGBoost na CPU. Potencjalna oszczędność dotyczy czasu pracy inżynierów i utrzymania, natomiast stałym wydatkiem pozostają obliczenia przyspieszane sprzętowo.
Licencjonowanie to kolejne kryterium przy wyborze rozwiązania do wdrożenia. W przewodniku TabICLv2 sklasyfikowano jako objęty licencją BSD 3-Clause, Mitra v2 — Apache-2.0, a KumoTabular — OpenMDW-1.1; wszystkie te licencje dopuszczają zastosowania komercyjne. Wagi TabFM i TabPFNv3.5 oznaczono jako niekomercyjne, a ich komercyjne użycie uzależniono od zawarcia umów z twórcami. W repozytorium osobno rozróżniono komercyjne, hostowane API TabPFN i jego niekomercyjne wagi.
Wspólna ewaluacja i wdrożenie produkcyjne
Implementacja referencyjna zapewnia wspólne podstawy do porównywania modeli. Każda obsługiwana implementacja odczytuje te same syntetyczne zbiory danych z handlu detalicznego i dóbr konsumpcyjnych pakowanych, korzysta z identycznych podziałów na zbiory treningowe i testowe oraz zapisuje wspólne metryki i wyniki modeli bazowych scikit-learn w jednej tabeli wyników. Przykłady obejmują klasyfikację, regresję, wykrywanie wartości odstających i prognozowanie z wykorzystaniem opóźnionych wartości — o ile dany model je obsługuje.
Wymagania obliczeniowe różnią się w zależności od rozwiązania. Samodzielnie hostowane modele TabFM, TabICL, Nori i KumoTabular mogą działać na bezserwerowych procesorach CPU, ale repozytorium zaleca użycie GPU, aby uzyskać praktyczną wydajność. Przykład TabPFN korzysta z hostowanego API, do którego wystarczają procesory CPU, natomiast przykład TabICL umożliwia potokom działającym na CPU przekazywanie wnioskowania do dedykowanego punktu końcowego obsługującego GPU.
AI Runtime powstał przed publikacją przewodnika: Databricks udostępnił go w publicznej wersji zapoznawczej 19 marca 2026 roku jako bezserwerowy stos do rozproszonego trenowania na GPU. Według Databricks dostępne na żądanie procesory GPU H100 mogą obsługiwać TabPFN-3 w przypadku zbiorów o wielkości do 1 miliona wierszy i 200 cech. Oprócz natywnej obsługi Dockera i zdalnego połączenia SSH przez Databricks CLI środowisko oferuje notatniki, Lakeflow Jobs, śledzenie eksperymentów MLflow oraz monitorowanie wykorzystania GPU.
Demonstracja dostrajania KumoTabular pokazuje w notatniku wykorzystanie GPU i metryki MLflow, a następnie rejestruje uzyskany model w Unity Catalog. W przewodniku opisano wdrożenia produkcyjne w postaci potoków przetwarzania wsadowego o dużej przepustowości lub skalujących się automatycznie punktów końcowych REST działających w czasie rzeczywistym za pośrednictwem Model Serving. Unity Catalog zarządza wersjami modeli i nadzorem nad nimi.
Rezultatem jest powtarzalny sposób sprawdzania, czy TFM mogą ograniczyć nakład pracy związany z uczeniem maszynowym dla poszczególnych zadań bez przenoszenia danych do osobnych narzędzi GPU. Uzasadnienie biznesowe nadal zależy od wyników pomiarów, których repozytorium nie może zapewnić w sposób uniwersalny: dokładności na własnych danych tabelarycznych organizacji, dostępności odpowiednich warunków licencyjnych oraz tego, czy niższe koszty pracy inżynierskiej zrównoważą stałe wydatki na predykcje realizowane z użyciem GPU.












