TabFM של גוגל: מודל בינה מלאכותית שמנבא נתונים בטבלאות ישר מהקופסה

ביום 1 ביולי 2026, גוגל ריסרץ' (Google Research) הציגה את TabFM, מודל יסוד טבלאי (Tabular Foundation Model) המבצע סיווג ורגרסיה ב-Zero-Shot על טבלאות שמעולם לא ראה — ללא צורך באימון, כיוונון עדין (Fine-Tuning) או הנדסת תכונות . המודל ממסגר מחדש ניבוי טבלאי כבעיית למידה בתוך הקשר (In-Context Learning): הוא קורא את כל מערך הנתונים, כולל הדוגמאות ההיסטוריות ושורת היעד, כהקשר אחד ומפיק ניבויים במעבר קדימה יחיד .

ארכיטקטורה: קשב מתחלף בין שורות ועמודות (Alternating Row-Column Attention)

TabFM משתמש בארכיטקטורת טרנספורמר עם קשב היברידי (Hybrid-Attention) המתחלף בין שורות ועמודות . בניגוד לטקסט, שהוא חד-ממדי, נתונים טבלאיים דורשים הבנה של יחסים גם בין שורות וגם בין עמודות בו-זמנית. TabFM מחליף קשב בין:

• קשב על-פי עמודות (Column-Wise Attention) כדי ללכוד תלויות בין תכונות
• קשב על-פי שורות (Row-Wise Attention) כדי ללכוד תלויות בין דגימות

מנגנון דו-שלבי זה בונה אמבדינגים (Embeddings) בגודל קבוע של שורות ועמודות, ומאפשר למודל להתכלל למבני טבלאות שרירותיים בזמן ההסקה (Inference) . הגישה משלבת אלמנטים ממודלי יסוד טבלאיים קודמים, כולל קשב שורה/עמודה בסגנון TabPFN ולמידה בתוך הקשר בסגנון TabICL .

אימון כולו על נתונים סינתטיים

TabFM אומן כולו על מאות מיליוני מערכי נתונים סינתטיים שנוצרו על ידי מודלים סיבתיים מבניים (Structural Causal Models - SCMs) . גישה זו עוקפת את בעיות המחסור והאיכות של נתונים טבלאיים בקוד פתוח, שרבים מהם מכילים מידע רגיש או קנייני שלא ניתן להשתמש בו באופן חופשי לאימון בקנה מידה גדול . על ידי שליטה בתהליך יצירת הנתונים, גוגל הבטיחה קורפוס אימון מגוון ומפוזר היטב מבלי להסתמך על נתונים עסקיים אמיתיים .

דירוג ב-TabArena: תוצאות מתקדמות (State-of-the-Art)

TabFM אומת על TabArena, מדד חיות מדורג בשיטת Elo לשיטות ML טבלאיות, הכולל לוח תוצאות ציבורי בכתובת tabarena.ai . על פי התוצאות המדווחות של גוגל:

• TabFM-Ensemble (המשתמש ב-32 ensembles יחד עם תכונות Cross-Sectional ו-SVD) משיג תוצאות מתקדמות (State-of-the-Art) ב-TabArena, ומוביל את טבלת האלופות הן במשימות סיווג והן במשימות רגרסיה .
• TabFM-Single (מעבר קדימה בודד ללא Ensembling) מספק תוצאות חזקות במקום השני, תחרותיות עם או טובות יותר ממודלי יסוד טבלאיים קודמים כמו TabPFN v2 ומעצי העצמה מכוונים (Tuned Gradient-Boosted Trees) .

ציוני Elo המדויקים תלויים במצב לוח התוצאות החי, אך הנתונים של גוגל עצמה מראים את TabFM-Ensemble בראש הפאנלים של סיווג ורגרסיה . נכון לתחילת יולי 2026, מיקום המודל הבודד הטוב ביותר בלוח התוצאות של TabArena בסיווג הוחזק על ידי TabPFN-3 (Elo 1721), כאשר שיטות מבוססות Ensemble כמו AutoGluon extreme (4h) מהוות את התקרה הכוללת . הכניסה של TabFM משנה את נוף התחרות הזה.

רישוי: מודל כפול

TabFM משתמש במודל רישוי כפול (Dual-License Model):

רכיב	רישיון	מיקום
משקלי המודל	רישיון לא-מסחרי (Non-Commercial License)	Hugging Face (google/tabfm-1.0.0-pytorch)
קוד שימוש ודוגמאות	Apache 2.0	GitHub (google-research/tabfm)

משקלי המודל משוחררים תחת רישיון לא-מסחרי, זמין-מקור (Source-Available) — כלומר, הם אינם בקוד פתוח מלא על פי ההגדרה של OSI או מסגרת ארבעת השכבות של G7 מ-2026 . קוד ההסקה (Inference Code) ומחברות הדוגמה (Sample Notebooks), לעומת זאת, משתמשים ברישיון המתירני Apache 2.0 . דפוס זה משקף את הגישה של גוגל עם מודלי מחקר אחרים כמו Gemma (שעברה מאוחר יותר ל-Apache 2.0 לדורות חדשים יותר ) והוא עקבי עם האופן שבו Prior Labs משחררת משקלי מודל TabPFN תחת תנאים לא-מסחריים .

אינטגרציה עם BigQuery באמצעות AI.PREDICT

גוגל מתכננת לשלב ישירות את TabFM ב-BigQuery בשבועות שלאחר ההכרזה . משתמשי BigQuery יוכלו להריץ סיווג ורגרסיה ב-Zero-Shot באמצעות פקודת ה-SQL AI.PREDICT, לפי תבנית התחביר של פונקציות ההסקה המנוהלות הקיימות של BigQuery ML (בדומה ל-AI.FORECAST עבור TimesFM) . התחביר הצפוי הוא:

SELECT * FROM AI.PREDICT(
  MODEL tabfm,
  TABLE your_data
)

אינטגרציה זו תאפשר לצוותי נתונים להפעיל ניבויי TabFM ישירות ב-SQL מבלי לנהל תשתית ML נפרדת או פריסות מודל . נכון למועד ההכרזה (1 ביולי 2026), אינטגרציה זו תוארה כממשמשת ובאה אך טרם השתקפה בהערות השחרור של BigQuery . המערכת האקולוגית הקיימת של BigQuery ML כבר תומכת בהסקה מנוהלת עבור TimesFM (AI.FORECAST), מודלים מותאמים אישית (ML.PREDICT) ומודלים פתוחים של צד שלישי מ-Hugging Face ; TabFM יהיה מודל היסוד הטבלאי הראשון שיקבל קיצור דרך מובנה של AI.PREDICT.

נקודות חשובות שכדאי לזכור

• הפוסט הרשמי בבלוג של Google Research פורסם ב-1 ביולי 2026, כלומר מדובר בחדשות טריות מאוד . פרטים מסוימים — המאמר האקדמי המלא, ציוני TabArena החיים המדויקים בעת השחרור ועיתוי השחרור המדויק של BigQuery — עשויים עדיין להיות בתנופה.
• שום מאמר רשמי של Google Research או arXiv לא היה זמין לציבור בעת ניתוח זה. פרטים טכניים על הארכיטקטורה מגיעים מדיווח משני ומהפוסט בבלוג .
• הפונקציה AI.PREDICT המתועדת כעת עבור BigQuery ML משתמשת ב-ML.PREDICT עם אובייקט מודל רשום ; ייתכן שהתחביר AI.PREDICT עבור TabFM הוא קיצור דרך מובנה חדש המקביל ל-AI.FORECAST עבור TimesFM, שטרם תועד בהערות השחרור במועד כתיבת שורות אלה.
• רישיון המשקולות הלא-מסחרי של TabFM מגביל שימוש מסחרי ללא הסכם נפרד, מה שעשוי להשפיע על תוכניות האימוץ הארגוניות.