Mô hình và nền tảng AI
Databricks công bố hướng dẫn về mô hình nền tảng dạng bảng cho AI Runtime

Điểm chínhCác mô hình nền tảng dạng bảng đánh đổi chi phí suy luận GPU cao hơn để tiết kiệm thời…
Xem thêm
- Các mô hình nền tảng dạng bảng đánh đổi chi phí suy luận GPU cao hơn để tiết kiệm thời gian kỹ thuật và bảo trì.
- TabICL được cho là chạy nhanh hơn TabPFNv2 tới 10 lần trong khi vẫn đạt độ chính xác tương đương trên các bài kiểm chuẩn phân loại.
- Việc cấp phép chia rẽ lĩnh vực này với trọng số của TabFM và TabPFNv3.5 bị giới hạn chỉ dùng cho mục đích phi thương mại.
Ngày 16 tháng 11 năm 2026, Databricks đã công bố hướng dẫn kỹ thuật về cách vận hành các mô hình nền tảng dạng bảng trên AI Runtime, kèm theo một kho mã nguồn công khai để so sánh năm nhà cung cấp mô hình và thử nghiệm quy trình tinh chỉnh.
Bộ tăng tốc giải pháp công khai cung cấp sổ tay mã và một bộ công cụ kiểm thử dùng chung cho TabPFN, TabFM, TabICL, Nori và KumoTabular. Bộ công cụ hướng đến các tác vụ doanh nghiệp cần vận hành liên tục: đưa ra dự đoán từ các bảng dữ liệu phục vụ đánh giá rủi ro tín dụng, dự đoán khách hàng rời bỏ, dự báo nhu cầu và bảo trì dự đoán—những lĩnh vực mà quy trình phát triển thông thường có thể đòi hỏi một quy trình huấn luyện và huấn luyện lại riêng cho từng tác vụ.
Thay vào đó, các mô hình nền tảng dạng bảng (TFM) được huấn luyện trước trên hàng triệu bộ dữ liệu tổng hợp đa dạng. Trong suy luận zero-shot, các hàng đã gán nhãn trở thành ngữ cảnh cho những hàng cần dự đoán; cơ chế chú ý của transformer liên hệ các hàng mới với những ví dụ đó rồi trả về dự đoán chỉ sau một lượt truyền xuôi, không cần cập nhật tham số. Các nhóm vẫn có thể tinh chỉnh mô hình nếu muốn cập nhật trọng số đã huấn luyện trước bằng một bộ dữ liệu độc quyền.
Kiến trúc, chi phí GPU và giấy phép
Các bộ mã hóa chuyên biệt ánh xạ những đặc trưng dạng số, phân loại và Boolean vào cùng một biểu diễn. TabPFNv2 luân phiên áp dụng cơ chế chú ý trong các hàng và cột để học các mối tương tác, nhưng chi phí tính toán tăng nhanh khi số lượng mẫu và đặc trưng tăng lên.
Bài nghiên cứu về TabICL đi theo hướng khác: tạo các biểu diễn hàng có số chiều cố định thông qua cơ chế chú ý lần lượt theo cột rồi theo hàng, trước khi thực hiện học trong ngữ cảnh ở cấp độ bộ dữ liệu. Các tác giả cho biết mô hình xử lý được tối đa 500.000 mẫu và 500 đặc trưng, đạt kết quả ngang TabPFNv2 trong đánh giá chuẩn phân loại của họ, chạy nhanh hơn tới 10 lần và vượt cả TabPFNv2 lẫn CatBoost trên 53 bộ dữ liệu có hơn 10.000 mẫu. Phiên bản được đánh giá chỉ giới hạn ở tác vụ phân loại, trong khi các mô hình đơn được tinh chỉnh trên tập giữ lại của bộ đánh giá chuẩn không tính đến khả năng cải thiện từ các tổ hợp mô hình được kiểm định chéo.
Bộ nhớ vẫn là một hạn chế trong vận hành, ngay cả khi đã nén các hàng. Vì phương pháp học trong ngữ cảnh đưa tập huấn luyện vào cùng mỗi lần dự đoán, nhu cầu bộ nhớ GPU tăng theo số lượng hàng và đặc trưng. Databricks khuyến nghị kiểm thử độ chính xác, độ trễ suy luận, mức sử dụng bộ nhớ và chi phí trên dữ liệu riêng của tổ chức; đồng thời cho biết suy luận bằng GPU tốn kém hơn trên mỗi lần dự đoán so với chạy XGBoost trên CPU. Khoản tiết kiệm tiềm năng nằm ở thời gian kỹ thuật và bảo trì; chi phí liên tục là năng lực tính toán tăng tốc.
Giấy phép cũng là một yếu tố cần cân nhắc khi triển khai. Hướng dẫn xếp TabICLv2 theo giấy phép BSD 3-Clause, Mitra v2 theo Apache-2.0 và KumoTabular theo OpenMDW-1.1, đều là những giấy phép cho phép sử dụng thương mại. Trọng số của TabFM và TabPFNv3.5 được ghi là chỉ dành cho mục đích phi thương mại; việc sử dụng thương mại phụ thuộc vào thỏa thuận với các nhà phát triển. Kho mã nguồn cũng phân biệt riêng API lưu trữ thương mại của TabPFN với trọng số phi thương mại của mô hình.
Đánh giá dùng chung và triển khai trong môi trường thực tế
Bản triển khai tham chiếu tạo cơ sở chung để so sánh các mô hình. Mọi bản triển khai được hỗ trợ đều đọc cùng các bộ dữ liệu tổng hợp về bán lẻ và hàng tiêu dùng đóng gói, sử dụng các tập huấn luyện và kiểm thử giống hệt nhau, đồng thời ghi lại các chỉ số chung và mô hình cơ sở scikit-learn vào một bảng kết quả duy nhất. Các ví dụ bao gồm phân loại, hồi quy, phát hiện ngoại lệ và dự báo dựa trên độ trễ, trong phạm vi từng mô hình hỗ trợ.
Yêu cầu tính toán khác nhau giữa các mô hình. TabFM, TabICL, Nori và KumoTabular tự lưu trữ có thể chạy trên CPU serverless, nhưng kho mã nguồn khuyến nghị dùng GPU để đạt hiệu năng thiết thực. Ví dụ về TabPFN gọi API lưu trữ nên chỉ cần CPU, trong khi một ví dụ về TabICL cho phép các quy trình xử lý bằng CPU chuyển tác vụ suy luận sang một điểm cuối phục vụ GPU chuyên dụng.
AI Runtime đã có trước khi hướng dẫn này ra mắt: ngày 19 tháng 3 năm 2026, Databricks đã giới thiệu dịch vụ này dưới dạng bản xem trước công khai, với một nền tảng serverless dành cho huấn luyện GPU phân tán. Databricks cho biết các GPU H100 theo nhu cầu có thể hỗ trợ TabPFN-3 xử lý tối đa 1 triệu hàng với 200 đặc trưng. Sổ tay mã, Lakeflow Jobs, tính năng theo dõi thử nghiệm MLflow và khả năng quan sát mức sử dụng GPU được cung cấp cùng với hỗ trợ Docker gốc và SSH từ xa thông qua Databricks CLI.
Một bản trình diễn tinh chỉnh KumoTabular hiển thị mức sử dụng GPU và các chỉ số MLflow trong sổ tay mã, đồng thời đăng ký mô hình thu được vào Unity Catalog. Đối với môi trường thực tế, hướng dẫn mô tả các quy trình xử lý hàng loạt có thông lượng cao hoặc các điểm cuối REST thời gian thực tự động mở rộng thông qua Model Serving, trong đó Unity Catalog quản lý phiên bản mô hình và hoạt động quản trị.
Kết quả là một quy trình có thể lặp lại để kiểm tra xem TFM có thể giảm khối lượng công việc học máy cho từng tác vụ mà không cần chuyển dữ liệu sang các công cụ GPU riêng biệt hay không. Cơ sở kinh doanh vẫn phụ thuộc vào những phép đo mà kho mã nguồn không thể cung cấp một cách phổ quát: độ chính xác trên các bảng dữ liệu riêng của tổ chức, điều khoản giấy phép có thể chấp nhận được, và liệu việc giảm khối lượng công việc kỹ thuật có bù đắp được chi phí liên tục cho các dự đoán dựa trên GPU hay không.












