Модели и платформы ИИ
Databricks публикует руководство по табличным фундаментальным моделям для AI Runtime

Ключевые моментыТабличные фундаментальные модели обменивают более высокие затраты на вывод с помощью…
Показать больше
- Табличные фундаментальные модели обменивают более высокие затраты на вывод с помощью GPU на экономию времени инженеров и на обслуживание.
- Сообщается, что TabICL работает до 10 раз быстрее, чем TabPFNv2, при этом соответствуя его точности в классификационных бенчмарках.
- Лицензирование разделяет область: веса TabFM и TabPFNv3.5 ограничены некоммерческим использованием.
16 ноября 2026 года Databricks опубликовала техническое руководство по запуску табличных фундаментальных моделей на AI Runtime. К нему прилагается общедоступный репозиторий для сравнения пяти поставщиков моделей и тестирования процессов дообучения.
Общедоступный акселератор решений включает ноутбуки и единую тестовую среду для TabPFN, TabFM, TabICL, Nori и KumoTabular. Он предназначен для постоянных корпоративных задач: прогнозирования на основе таблиц, используемых для оценки кредитных рисков, оттока клиентов, спроса и прогнозного обслуживания оборудования. При традиционной разработке для каждой такой задачи может потребоваться отдельный конвейер обучения и повторного обучения.
Табличные фундаментальные модели (TFM), напротив, поставляются предварительно обученными на миллионах разнообразных синтетических наборов данных. При выводе без дообучения размеченные строки служат контекстом для строк, для которых нужно получить прогнозы: механизм внимания трансформера сопоставляет новые строки с этими примерами и выдает прогнозы за один прямой проход, не обновляя параметры. Команды, желающие обновить предварительно обученные веса на собственном наборе данных, могут прибегнуть к дообучению.
Архитектура, затраты на GPU и лицензирование
Специализированные токенизаторы преобразуют числовые, категориальные и логические признаки в единое представление. TabPFNv2 попеременно применяет механизм внимания к строкам и столбцам, чтобы выявлять взаимосвязи, однако вычислительные затраты быстро растут с увеличением числа наблюдений и признаков.
В исследовательской статье о TabICL описан иной подход: эмбеддинги строк фиксированной размерности формируются с помощью механизма внимания сначала к столбцам, а затем к строкам, после чего выполняется контекстное обучение на уровне набора данных. Авторы сообщают, что модель обрабатывает до 500 000 наблюдений и 500 признаков, показывает результаты на уровне TabPFNv2 в проведенном ими бенчмарке классификации, работает до 10 раз быстрее и превосходит и TabPFNv2, и CatBoost на 53 наборах данных, содержащих более 10 000 наблюдений. Оценивалась версия, ограниченная задачами классификации; кроме того, использованные в бенчмарке одиночные модели с настройкой на отложенной выборке не позволяли учесть возможный прирост качества от ансамблей с перекрестной проверкой.
Даже при сжатии строк объем памяти остается эксплуатационным ограничением. Поскольку при контекстном обучении обучающий набор подается при каждом получении прогноза, потребность в памяти GPU растет с увеличением числа строк и признаков. Databricks рекомендует проверять точность, задержку вывода, использование памяти и стоимость на собственных данных организации. По утверждению компании, вывод на GPU обходится дороже в расчете на один прогноз, чем запуск XGBoost на CPU. Возможная экономия связана со временем на разработку и обслуживание; затраты на ускоренные вычисления сохраняются.
Еще один фактор, влияющий на выбор решения для развертывания, — лицензирование. В руководстве указано, что TabICLv2 распространяется по лицензии BSD 3-Clause, Mitra v2 — Apache-2.0, а KumoTabular — OpenMDW-1.1; все они допускают коммерческое использование. Веса TabFM и TabPFNv3.5 обозначены как предназначенные для некоммерческого использования; для коммерческого применения нужны соглашения с их создателями. В репозитории также отдельно разграничены коммерческий размещенный API TabPFN и его веса, предназначенные для некоммерческого использования.
Единая оценка и развертывание в промышленной среде
Эталонная реализация обеспечивает единую основу для сравнения моделей. Все поддерживаемые реализации работают с одними и теми же синтетическими наборами данных из розничной торговли и потребительских товаров, используют одинаковое разделение на обучающую и тестовую выборки и записывают общие метрики и результаты базовых моделей scikit-learn в одну таблицу. Примеры охватывают классификацию, регрессию, обнаружение выбросов и прогнозирование на основе лаговых признаков — если соответствующая модель поддерживает эти задачи.
Требования к вычислительным ресурсам различаются. Самостоятельно размещенные TabFM, TabICL, Nori и KumoTabular могут работать на бессерверных CPU, однако для приемлемой производительности в репозитории рекомендуют GPU. В примере с TabPFN используется размещенный API, для которого достаточно CPU; пример с TabICL позволяет конвейерам на CPU передавать вывод на выделенную конечную точку обслуживания с GPU.
AI Runtime появился еще до публикации руководства: 19 марта 2026 года Databricks представила его в публичной предварительной версии как бессерверную платформу для распределенного обучения на GPU. По данным Databricks, доступные по запросу GPU H100 могут обрабатывать TabPFN-3 на наборах объемом до 1 млн строк и 200 признаков. В состав платформы входят ноутбуки, Lakeflow Jobs, отслеживание экспериментов MLflow и средства наблюдения за использованием GPU, а также встроенная поддержка Docker и удаленный доступ по SSH через Databricks CLI.
В демонстрации дообучения KumoTabular в ноутбуке отображаются данные об использовании GPU и метрики MLflow, а полученная модель регистрируется в Unity Catalog. Для промышленной эксплуатации руководство описывает высокопроизводительные пакетные конвейеры или масштабируемые в реальном времени REST-конечные точки через Model Serving; Unity Catalog управляет версиями моделей и их соответствием требованиям.
В результате появляется воспроизводимый способ проверить, способны ли TFM сократить объем работы по машинному обучению для отдельных задач, не перенося данные в отдельные инструменты для GPU. При этом обоснование для бизнеса по-прежнему зависит от показателей, которые репозиторий не может универсально предоставить: точности на собственных табличных данных организации, приемлемых условий лицензирования и того, компенсирует ли снижение затрат на разработку сохраняющиеся расходы на прогнозирование с использованием GPU.












