AB
AiBoss
ニュース

Databricks 博客介绍表格基础模型及其托管 GPU 运行方式

Databricks 博客发文介绍表格基础模型(TFM)的工作原理、近期模型与部署权衡,并说明 Databricks AI Runtime 如何以托管 GPU、MLflow 追踪和 Unity Catalog 集成支持这类模型的实验与微调。

核心事实

Databricks 博客发布文章,介绍表格基础模型(Tabular Foundation Models,TFM)在 Databricks AI Runtime 上的运行与微调方式。文章称,TFM 是预训练模型,可在未针对具体任务训练的情况下对新数据集做出预测,预测时把带标签的行作为上下文传入,通过一次前向计算完成,这一过程称为上下文学习(ICL);除零样本使用外,也可在特定数据集上更新预训练权重进行微调。Databricks AI Runtime 提供托管 GPU、MLflow 追踪与 Unity Catalog 集成,用于 TFM 的实验和微调。

背景与影响

文章指出,信用风险、客户流失、需求预测、预测性维护等表格数据场景传统上需要为每个任务单独开发、训练和维护模型,TFM 试图省去这一环节。文章列举了 TabICLv2、TabFM、TabPFNv3.5、Mitra v2、KumoTabular 等模型,并给出发布时间、参数量与权重许可信息,其中部分许可并非商业友好,需与模型方达成协议。文章同时提示,TFM 在 GPU 上推理的单次预测成本通常高于在 CPU 上运行传统 XGBoost 模型,且上下文学习会把整个训练集随每次预测传入,GPU 显存占用随行数和特征数增长,企业级数据规模下容易耗尽显存;按需 GPU 可能存在等待时间,长期预留则带来闲置成本。文章建议在选型前结合自有数据评估准确率、推理延迟、显存占用与成本。

限制与来源

上述内容来自 Databricks 博客文章,属厂商自述,文中未给出独立的第三方评测数据。模型发布时间、参数量与许可条款可能变化,具体功能、可用区域、价格与许可条件请以 Databricks 及各模型官方页面当前信息为准。本文不构成任何采购或投资建议。