Google Research Lança TabFM — Modelo Foundation para Dados Tabulares com Zero-Shot

Google Research lançou TabFM — modelo foundation para dados tabulares com zero-shot

Google Research apresentou TabFM — um modelo foundation para dados tabulares, capaz de realizar classificação e regressão zero-shot sem treinamento em conjuntos de dados específicos; isso foi reportado pelo portal MarkTechPost em 1º de julho de 2026.

Como TabFM processa tabelas

TabFM obtém previsões em um único passe para frente, usando aprendizagem em contexto — o modelo "em tempo real" se baseia em exemplos dentro da própria requisição, sem um ciclo de treinamento separado para cada conjunto de dados.

• Formato — modelo foundation para dados tabulares
• Capacidades — classificação e regressão zero-shot
• Método — aprendizagem em contexto, previsão via único passe para frente
• Não requer — treinamento no conjunto de dados, ajuste de hiperparâmetros, engenharia de características manual
• Arquitetura — atenção híbrida

O nome do modelo declara uma arquitetura de atenção híbrida — permite considerar simultaneamente as relações entre linhas (objetos) e entre colunas (características) de uma tabela, o que em transformers clássicos focados em texto não é incorporado por padrão.

Por que dados tabulares são um problema separado para IA

A maioria dos dados corporativos não são textos ou imagens, mas tabelas: linhas de clientes, transações, métricas. Por muito tempo as melhores ferramentas para tais tarefas permaneceram sendo gradient boosting e modelos ML clássicos como XGBoost e LightGBM — são precisos, mas cada um deve ser retreinado e ajustado para um conjunto de dados específico e tarefa específica, e qualquer mudança na composição de características significa um novo ciclo de preparação de dados.

A ideia de um modelo foundation para tabelas é que um modelo funcione para muitas tarefas: treinar um modelo grande em muitas tabelas diversas antecipadamente, depois aplicá-lo a novos dados sem retreinamento — por analogia com como modelos de linguagem resolvem novas tarefas de texto sem ajuste fino se perguntados corretamente. Para dados tabulares esse caminho foi longamente considerado difícil de alcançar precisamente por causa da heterogeneidade das tabelas: cada uma tem seu próprio conjunto de colunas, tipos de dados e relações semânticas entre eles, diferentemente do texto onde gramática e vocabulário são comuns a todos os documentos.

O que isto significa para cientistas de dados

Se a abordagem zero-shot do TabFM funcionar bem o suficiente em dados corporativos reais, isso muda a economia de tarefas ML típicas com tabelas: em vez do ciclo "coletar conjunto de dados → treinar modelo → ajustar hiperparâmetros → implantar" haverá apenas um passo — fornecer dados ao modelo e obter uma previsão. Isso é especialmente valioso para tarefas onde o conjunto de dados é pequeno ou muda rapidamente, e não é rentável treinar um modelo separado para isso.

O que isto significa

Google Research mais uma vez transfere a lógica dos modelos foundation — "treinar uma vez, aplicar em todos os lugares" — de textos e imagens para o campo de dados tabulares, que até agora permaneceu sendo o domínio do aprendizado de máquina clássico. Se a abordagem for confirmada na prática em uma ampla gama de tarefas, a competição se desenrolará não apenas entre modelos foundation para tabelas de diferentes empresas, mas também entre essa nova classe de modelos e o familiar gradient boosting — sobre quem se tornará a ferramenta padrão para tarefas ML típicas com dados tabulares.