Modele și platforme AI
Databricks publică un ghid despre modelele fundamentale tabulare pentru AI Runtime

Puncte cheieModelele fundamentale tabelare schimbă costuri mai mari de inferență pe GPU pentru…
Vezi mai mult
- Modelele fundamentale tabelare schimbă costuri mai mari de inferență pe GPU pentru economii de timp în inginerie și mentenanță.
- Se raportează că TabICL rulează de până la 10 ori mai rapid decât TabPFNv2, egalând acuratețea sa pe benchmark-ul de clasificare.
- Licențierea împarte domeniul, ponderile TabFM și TabPFNv3.5 fiind restricționate la uz necomercial.
Databricks a publicat un ghid tehnic pe 16 noiembrie 2026 despre rularea modelelor fundamentale tabulare pe AI Runtime, însoțit de un depozit public pentru compararea a cinci furnizori de modele și testarea fluxurilor de lucru pentru ajustarea fină.
Acceleratorul public de soluții pune la dispoziție notebookuri și un cadru de testare comun pentru TabPFN, TabFM, TabICL, Nori și KumoTabular. Acesta vizează sarcini enterprise recurente: realizarea de predicții pe baza unor tabele folosite pentru evaluarea riscului de credit, estimarea pierderii clienților, prognozarea cererii și mentenanța predictivă, domenii în care dezvoltarea convențională poate impune crearea unui flux separat de antrenare și reantrenare pentru fiecare sarcină.
Modelele fundamentale tabulare (TFM) sunt, în schimb, preantrenate pe milioane de seturi de date sintetice și diverse. În inferența zero-shot, rândurile etichetate oferă context pentru rândurile pentru care trebuie făcute predicții; mecanismul de atenție al transformatorului corelează rândurile noi cu exemplele respective și returnează predicții într-o singură trecere înainte, fără actualizarea parametrilor. Ajustarea fină rămâne o opțiune pentru echipele care doresc să actualizeze ponderile preantrenate folosind un set de date proprietar.
Arhitectură, costurile GPU și licențiere
Tokenizatoarele specializate transformă caracteristicile numerice, categoriale și booleene într-o reprezentare comună. TabPFNv2 alternează atenția între rânduri și coloane pentru a învăța interacțiunile, însă costul său de calcul crește rapid odată cu numărul de eșantioane și de caracteristici.
Lucrarea de cercetare TabICL urmează o abordare diferită: creează reprezentări vectoriale ale rândurilor, cu dimensionalitate fixă, prin aplicarea atenției mai întâi asupra coloanelor și apoi asupra rândurilor, înainte de învățarea contextuală la nivelul setului de date. Autorii afirmă că modelul poate gestiona până la 500.000 de eșantioane și 500 de caracteristici, obținând rezultate egale cu TabPFNv2 în evaluarea lor pe un set de referință pentru clasificare, rulând de până la 10 ori mai rapid și depășind atât TabPFNv2, cât și CatBoost pe 53 de seturi de date cu peste 10.000 de eșantioane. Versiunea evaluată era limitată la clasificare, iar modelele individuale ajustate pe setul de validare de tip holdout nu au surprins câștigurile potențiale ale ansamblurilor evaluate prin validare încrucișată.
Memoria rămâne o constrângere operațională chiar și atunci când rândurile sunt comprimate. Deoarece învățarea contextuală folosește setul de antrenare la fiecare predicție, necesarul de memorie GPU crește odată cu numărul de rânduri și de caracteristici. Databricks recomandă testarea acurateței, latenței inferenței, utilizării memoriei și costului pe datele propriei organizații și precizează că inferența pe GPU costă mai mult per predicție decât rularea XGBoost pe un procesor. Economiile potențiale țin de timpul alocat ingineriei și mentenanței; cheltuiala recurentă este cea pentru calculul accelerat.
Licențierea este un alt criteriu de selecție pentru implementare. Ghidul clasifică licențele TabICLv2 (BSD 3-Clause), Mitra v2 (Apache-2.0) și KumoTabular (OpenMDW-1.1) drept permisive pentru uz comercial. Ponderile TabFM și TabPFNv3.5 sunt indicate ca fiind destinate uzului necomercial, iar utilizarea comercială este condiționată de încheierea unor acorduri cu creatorii lor. Depozitul face, separat, distincția între API-ul găzduit comercial al TabPFN și ponderile sale destinate uzului necomercial.
Evaluare comună și implementare în producție
Implementarea de referință oferă o bază comună pentru compararea modelelor. Fiecare implementare acceptată citește aceleași seturi de date sintetice din retail și din domeniul bunurilor de larg consum ambalate, folosește aceleași împărțiri între seturile de antrenare și de testare și înregistrează metrici comune și rezultate de referință obținute cu scikit-learn într-un singur tabel. Exemplele acoperă clasificarea, regresia, detectarea valorilor atipice și prognozarea bazată pe decalaje, în măsura în care modelul respectiv le acceptă.
Cerințele de calcul diferă. TabFM, TabICL, Nori și KumoTabular, găzduite pe infrastructura proprie, pot rula pe procesoare CPU serverless, însă depozitul recomandă utilizarea GPU-urilor pentru performanțe practice. Exemplul pentru TabPFN apelează un API găzduit, pentru care procesoarele CPU sunt suficiente, în timp ce un exemplu pentru TabICL permite fluxurilor de lucru CPU să transfere inferența către un punct final dedicat de servire pe GPU.
AI Runtime a apărut înaintea ghidului: Databricks l-a prezentat în versiune preliminară publică pe 19 martie 2026, ca stivă serverless pentru antrenarea distribuită pe GPU. Databricks afirmă că GPU-urile H100 disponibile la cerere pot susține TabPFN-3 pentru până la 1 milion de rânduri și 200 de caracteristici. Notebookurile, Lakeflow Jobs, urmărirea experimentelor MLflow și observabilitatea utilizării GPU-urilor sunt oferite alături de suportul nativ pentru Docker și accesul SSH la distanță prin Databricks CLI.
O demonstrație de ajustare fină a KumoTabular afișează într-un notebook utilizarea GPU-ului și metricile MLflow și înregistrează modelul rezultat în Unity Catalog. Pentru producție, ghidul descrie fluxuri de lucru batch cu debit ridicat sau puncte finale REST cu scalare automată în timp real prin Model Serving, în timp ce Unity Catalog gestionează versiunile modelelor și guvernanța.
Rezultatul este o metodă repetabilă de a testa dacă TFM-urile pot reduce volumul de muncă ML aferent fiecărei sarcini fără a muta datele în instrumente GPU separate. Argumentul economic depinde în continuare de măsurători pe care depozitul nu le poate furniza în mod universal: acuratețea pe tabelele propriei organizații, condiții de licențiere utilizabile și măsura în care reducerea efortului de inginerie compensează costul recurent al predicțiilor bazate pe GPU.












