先了解这件事
2026年11月16日,Databricks发布技术指南,介绍如何在AI Runtime上运行表格基础模型(TFM)。该指南说明,这类预训练模型无需针对具体任务训练,即可对新数据集做预测,省去定制训练与重训流程。Databricks Blog随后介绍,AI Runtime提供托管GPU、MLflow追踪和Unity Catalog集成,支持TFM实验与微调,并对比了TabPFNv2、TabICLv1、TabPFNv3、TabFM、KumoTabular等模型在准确率、推理延迟、GPU显存和成本上的差异。另有报道称,指南配套公开仓库用于对比TabPFN、TabFM、TabICL、Nori和KumoTabular五家模型及测试微调流程,并指出零样本推理时GPU显存随行数和特征数增长,单次预测成本高于CPU上的XGBoost,节省的主要是工程与维护时间。
AI 根据公开报道生成
最新进展 · 正式报道
Databricks 发布表格基础模型运行指南,对比五家模型与微调流程事件进展
1 个已确认进展
- 来源:Databricks Blog
报道与讨论时间线
按时间查看正式报道与传播讨论;两类内容的证据等级保持独立。
11月17日
Unite.AI
Databricks 发布表格基础模型运行指南,对比五家模型与微调流程
Databricks 于 2026 年 11 月 16 日发布技术指南,介绍如何在 AI Runtime 上运行表格基础模型,并配套公开仓库用于对比 TabPFN、TabFM、TabICL、Nori 和 KumoTabular 五家模型及测试微调流程。指南指出这类模型在零样本推理时把带标签的行作为上下文,无需更新参数即可预测,但 GPU 显存随行数和特征数增长,单次预测成本高于 CPU 上的 XGBoost,节省的主要是工程与维护时间。许可证方面,TabICLv2、Mitra v2 和 KumoTabular 可商用,TabFM 与 TabPFNv3.5 权重为非商用。
Databricks Blog一手
Databricks AI Runtime 上的表格基础模型
Databricks 介绍了表格基础模型(TFM):这类预训练模型无需针对具体任务训练,即可对新数据集做预测,省去定制训练与重训流程。文章对比了 TabPFNv2、TabICLv1、TabPFNv3、TabFM、KumoTabular 等模型在准确率、推理延迟、GPU 显存和成本上的差异,并说明 Databricks AI Runtime 提供托管 GPU、MLflow 追踪和 Unity Catalog 集成,支持 TFM 实验与微调。