Google推出TabFM一次性提示表格模型，免特征工程直接预测

背景

在企业机器学习中，表格数据仍是最常见的数据形态。过去十年，XGBoost、LightGBM 等梯度提升树模型一直是核心工具，流程包括特征工程、交叉验证、超参数调优等，周期长且成本高。Google 近期推出的 TabFM 正是为打破这一瓶颈而设计的。

TabFM技术概览

• 一次性提示：用户将训练集、测试集以及任务描述全部写入一个巨大的 Prompt，模型在单次前向传播中输出预测结果。
• 零训练：无需对目标表格进行微调或再训练，模型直接在“上下文学习”模式下工作。
• 无特征工程：模型内部自行学习特征表示，省去传统的手工特征构造步骤。
• 兼容性：支持分类与回归两类任务，可处理数值、类别及时间序列等常见列类型。

与TimesFM的渊源

TabFM 基于 Google 同团队之前推出的 TimesFM——面向时间序列的基础模型。TimesFM 通过在大规模时间序列数据上进行自监督预训练，展示了在少样本情境下的强大迁移能力。TabFM 将同样的“在上下文中学习”思路迁移至表格数据，证明了该方法的通用性。

业界影响与展望

1. 降低门槛：中小企业无需组建专业特征工程团队，即可快速部署预测模型。
2. 加速迭代：从数据准备到模型输出的链路被压缩至数分钟，有望显著提升业务响应速度。
3. 竞争格局：传统表格模型供应商（如Databricks、DataRobot）可能需要重新定位，聚焦于模型监管与可解释性等增值服务。
4. 研究价值：TabFM 的成功展示了大模型在结构化数据上的潜力，预计将激发更多关于“表格大模型”的学术探索。

“TabFM 将表格机器学习的工作流重新定义为一次性提示，这在过去是难以想象的。” — Google Research 负责人

整体来看，TabFM 代表了 Google 在生成式 AI 向结构化数据拓展的最新里程碑，未来的企业 AI 可能从“特征工程+模型训练”转向“提示+直接预测”。