无论是客户流失还是欺诈交易，迹象往往就在一张纸上。然而，从该表中提取预测长期以来一直是专家的工作。一遍又一遍地准备数据、设计功能和调整模型使得预测分析“只适合少数人”。谷歌宣布的 TabFM 正在悄然颠覆这一前提。无需学习，无需调整，只需向他们展示表格，他们就会当场给您答案。最终，您所要做的就是编写一行 SQL。每个人都可以进行预测的未来可能比我们想象的更近。
2026 年 6 月 30 日，谷歌研究院发布了 TabFM，一种表格数据的基本模型。作者是研究科学家 Weihao Kong 和 Abhimanyu Das。
TabFM 针对分类和回归工作流程，将表格数据的预测视为上下文学习 (ICL) 问题。它消除了手动模型学习、超参数调整和特征工程的需要，并在单个前向传播过程中生成未知表的预测。它采用混合结构，集成了 TabPFN 和 TabICL 的设计，仅使用结构因果模型（SCM）生成的数亿个合成数据集进行学习。
使用基准 TabArena 进行评估，并针对包含 38 个分类和 13 个回归案例的数据集（700 至 150,000 个样本）。 TabFM 已经在 Hugging Face 和 GitHub 上上线，并将在未来几周内集成到 Google BigQuery 中，允许您使用 SQL 命令。AI.PREDICT将在以下时间提供：
【编辑部评论】
首先，本次公告的实质内容是并不是“出现了超越XGBoost的新算法”。相反，其意义在于，在大规模语言模型中已经司空见惯的“无需培训即可现场提供答案”的想法现在已经进入了作为企业数据核心的电子表格的世界。看来Google已经将TimesFM按时间顺序展示的路线横向扩展为表格数据了。
“不学习”这个表达在技术上有点难以理解。传统上，每次新数据进入时都会重新调整模型的内部参数。TabFM 消除了这一点，并将手头的整个表读取为“模型”，当场解释列和行之间的关系（在推理时），并返回答案。这类似于人类查看一些示例问题然后解决应用问题的方式。
作为补充，TabFM 实现与 scikit-learn 兼容。fit()这是一个对分类变量进行编码、数值归一化等预处理的过程，并不重新学习底层模型本身的参数。这就是“零学习”一词发挥作用的地方。
还需要注意的是，这种方法本身并不是谷歌原创的。 TabPFN 的原型于 2022 年提出，是领先的表格平台模型，其改进版本 TabPFN v2 于 2025 年在 Nature 杂志上发表。TabFM 在其博客中还表示，它集成了 TabPFN 和 TabICL 的优点。使用合成数据进行预训练的核心方法也是对谱系的扩展，据说 TabPFN v2 在大约 1.3 亿个项目的合成数据集上进行了训练。谷歌的独特之处在于其“规模”和“分销渠道”，而不是其发明本身。把它读作是公平的。
分销渠道是我们这次最大的关注点。TabFM 将在未来几周内集成到 Google BigQuery 中。AI.PREDICT计划用一行 SQL 来执行预测。流失预测和欺诈检测曾经是数据科学家的专门任务，现在可能落入会编写 SQL 的现场人员手中。如果这成真的话预测分析的成本和人员很可能会发生结构性变化。大概。
然而，当前公众的观点存在实际局限性。 Hugging Face分发的模型权重仅限于非商业和非生产用途，不能原样纳入商业服务，需要单独的商业许可。分类上限也规定为最多 10 个类别。虽然任何人都可以尝试，但您需要检查这些条件才能直接在您的业务中使用它。
绩效评估也需要预约。这份报告重点关注了TabArena的Elo评分，但Elo无法表达提升的“程度”，也有人质疑TabArena的多项指标没有列在一起。在基准测试中表现出色是一回事，但能够使用来自不同公司的混乱且肮脏的实际数据获得相同的结果则是另一回事。独立验证将是未来的试金石。
您还可以看到风险和问题。使用单行 SQL 可以做出的预测越多，预测用于业务决策而无法解释事情发生原因的风险就越大。在金融信用和欺诈检测中，可解释性和公平性正在成为监管要求，与黑盒一次性预测的紧张关系是不可避免的。此外，如何处理合成数据学习结构中的现实偏差是一个持续的挑战。
从长远来看，这这一步标志着从“创建模型的时代”到“调用模型的时代”的转变据认为。事实上，基本模型已经扩展到电子表格，这个领域似乎与人工智能这个迷人的话题有些距离，这表明我们面临的预测民主化比我们想象的更接近。
【术语解释】
零射击预测
这是指一种按原样返回未知数据预测的方法，而不执行任何针对目标定制的额外学习。
情境学习（ICL）
一种仅使用作为输入给出的示例和指令来现场解决任务的方法，而不更新模型的内部参数。它因其大规模语言模型而广为人知。
前向传播（前向传播）
一种单向计算，将输入传递给模型并获得输出（预测）。 TabFM 仅通过这一计算即可进行预测。
特征工程
手动设计和处理对原始数据预测有效的“特征”的过程。这被认为是构建传统预测模型的瓶颈，需要专业知识和反复试验。
Elo分数
国际象棋等游戏中使用的指数，用于计算比赛胜负的相对强度。这些模型是根据一对一的胜率进行排名的，但由于它们只考虑输赢，因此没有显示它们产生了多大的差异。
XGBoost/随机森林
两者都是结合决策树的机器学习方法，多年来一直是预测表格数据的主流。尽管它很强大，但每次应用于新数据时都需要进行调整。
TabPFN／TabICL
TabFM 之前的表格数据的基本模型。我们使用合成数据进行了预训练，并建立了谱系以使用 ICL 进行预测。 TabFM 据说整合了两种设计的优点。
[参考链接]
TabFM（GitHub / google-research）（外部）
与 scikit-learn 兼容并发布代码（Apache 2.0）的官方存储库，允许您尝试零样本分类/回归以及 TabArena 的评估结果。
google/tabfm-1.0.0-pytorch（抱脸）（外部）
学习权重的官方分发页面。仅限于非商业和非生产用途，商业和生产部署需要单独的商业许可证。
谷歌大查询（外部）
TabFM 计划集成的数据仓库。一项基础服务，允许您直接从 SQL AI.PREDICT 执行高级预测。
标签竞技场（外部）
用于评估 TabFM 的不断更新的基准的官方网站。发布每个数据集的模型排名、多个指标和推理时间。
XGBoost（官方文档）（外部）
TabFM对比的常规主流梯度提升方法的官方文档。涵盖从介绍到使用和参数的所有内容。
[参考文章]
谷歌AI推出TabFM（MarkTechPost）（外部）
一篇解释性文章，从技术角度清晰地总结了 TabFM，使用 SCM 学习数亿合成数据，以及它作为 TimesFM 表格版本的地位。
谷歌推出 TabFM，用于表格数据的零样本预测（cifrum.kz）（外部）
这篇文章强调了“零学习”的确切含义，即 fit() 不会重新训练底层模型以准备预处理，并提供了实现注释。
谷歌研究院推出 TabFM，一种表格零样本模型（AI Weekly）（外部）
本文总结了实践中应注意的两点的影响和保留：Elo 结果的再现性和 BigQuery 版本的价格/费率限制。
TabArena详解（Mindful Modeler）（外部）
一篇基准评论文章，解释了使用分类 38 和回归 13 进行评估时 Elo 如何不代表差异的大小，以及 TabArena 的开发者。
谷歌发布了“TabFM”（GIGAZINE）（外部）
一篇新闻文章，提供了日语 TabFM 的概述，包括发行分类，型号为非商业许可证，代码为 Apache 2.0。
[相关文章]
谷歌研究院发布“TimesFM”模型来变革时间序列预测Google 的“Zero Shot”时间序列基础设施模型与启发 TabFM 的模型相同。这是理解本文谱系的一个很好的起点。
BigQuery AI 改变了数据分析和自动化的前线TabFM 与 BigQuery AI 集成。您可以仅使用 SQL 以及实际示例来了解机器学习和预测的背景。
解读未来的关键：利用 XGBoost 进行时间序列预测来转变业务策略TabFM 旨在取代的传统方法 XGBoost 的说明。您可以具体了解特征工程和调优所涉及的工作。
Snowflake Arctic-Text2SQL-R1带来保证执行AI的新时代“利用 SQL 实现高级处理民主化”趋势的一个相邻示例。可审计性和监管合规性问题也与 TabFM 风险讨论重叠。
[编者后记]
从“创建模型”到“调用模型”。 TabFM 指出了这样一个时代的开始。如果您手头有电子表格数据，想象一下您是否可以从此列中预测该值。曾经需要专家才能完成的步骤现在已经接近编写一行 SQL 的水平。
不过，立即给出答案也意味着很容易从表面上接受答案。如果你在没有确认为什么做出预测的情况下将其用于信贷或招聘等重要决策，那么便利将变成风险。这很容易，让你停下来质疑自己。我认为从现在开始我们要问的问题是我们是否可以两者兼得。
在你的工作场所可以做出什么样的预测？你对这个预测有多相信？你在哪里干预你自己的判断？这是一个目前还没有答案的问题，但却是我想一起探讨的一个主题。