Google TabFM Nedir ve Sıfır Atışlı Tablo Modeli Nasıl Çalışır?

1 Temmuz 2026'da Google Research, TabFM adını verdiği devrim niteliğinde bir taban modeli tanıttı. Bu model, daha önce hiç görmediği tablolar üzerinde sıfır atışlı (zero-shot) sınıflandırma ve regresyon yapabiliyor; yani her yeni veri seti için ayrı bir eğitim, ince ayar veya özellik mühendisliği gerektirmiyor . Model, tablo tahminini bir bağlam içi öğrenme (in-context learning) problemi olarak yeniden çerçeveliyor: tüm veri setini (geçmiş örnekler ve hedef satır dahil) tek bir bağlamsal istem olarak okuyor ve tek bir ileri geçişte (forward pass) tahmin üretiyor .

Mimari: Alternatif Satır-Sütun Dikkati

TabFM, hibrit dikkatli (alternatif satır-sütun) bir transformer mimarisi kullanıyor . Metin verilerinden farklı olarak tablo verileri, satırlar ve sütunlar arasındaki ilişkilerin aynı anda anlaşılmasını gerektirir. TabFM, dikkati şu şekilde dönüşümlü olarak yönlendirir:

• Sütun bazlı dikkat (column-wise attention): Özellikler arasındaki bağımlılıkları yakalamak için
• Satır bazlı dikkat (row-wise attention): Örnekler arasındaki bağımlılıkları yakalamak için

Bu iki aşamalı mekanizma, satırların ve sütunların sabit boyutlu temsillerini (embedding) oluşturarak modelin çıkarım sırasında herhangi bir tablo yapısına genelleme yapmasını sağlıyor . Bu yaklaşım, daha önceki tablo temel modellerinden TabPFN tarzı satır/sütun dikkati ve TabICL tarzı bağlam içi öğrenmenin unsurlarını birleştiriyor .

Tamamen Sentetik Veriyle Eğitim

TabFM, tamamen yüz milyonlarca sentetik veri seti üzerinde, yapısal nedensel modeller (Structural Causal Models - SCMs) kullanılarak eğitildi . Bu yaklaşım, açık kaynaklı tablo verilerinin kıtlığı ve kalite sorunlarının önüne geçiyor; zira bu verilerin çoğu, büyük ölçekli ön eğitim için özgürce kullanılamayan hassas veya tescilli bilgiler içeriyor . Google, veri üretim sürecini kontrol ederek, gerçek dünya iş verilerine dayanmadan çeşitli ve iyi dağılımlı bir eğitim külliyatı sağladı .

TabArena Sıralaması: En Yeni Nesil Sonuçlar

TabFM, tablo makine öğrenimi yöntemleri için canlı bir Elo derecelendirmeli kıyaslama aracı olan TabArena'da doğrulandı . Google'ın bildirdiği sonuçlara göre:

• TabFM-Ensemble (32 farklı topluluk ile kesitsel ve SVD özelliklerini kullanan sürüm), TabArena'da en yeni nesil sonuçlara ulaştı ve hem sınıflandırma hem de regresyon görevlerinde liderlik tablosunun zirvesinde yer alıyor .
• TabFM-Single (tek ileri geçiş, topluluk kullanmayan sürüm) ise güçlü ikincilik sonuçları elde ederek TabPFN v2 gibi önceki tablo temel modelleri ve ayarlanmış gradyan artırmalı ağaçlarla rekabet ediyor veya onları geride bırakıyor .

Kesin Elo puanları canlı liderlik tablosunun durumuna bağlı olmakla birlikte, Google'ın kendi rakamları TabFM-Ensemble'ın hem sınıflandırma hem de regresyon panellerinde zirvede olduğunu gösteriyor . Temmuz 2026 başı itibarıyla, TabArena sınıflandırma liderlik tablosunda en iyi tek model konumunu TabPFN-3 (Elo 1721) elinde tutarken, AutoGluon extreme (4h) gibi topluluk tabanlı yöntemler genel tavanı oluşturuyordu . TabFM'in girişi bu rekabet ortamını değiştiriyor.

Lisanslama: Çift Lisans Modeli

TabFM, çift lisans modeli kullanıyor:

Bileşen	Lisans	Konum
Model ağırlıkları	Ticari olmayan lisans	Hugging Face (google/tabfm-1.0.0-pytorch)
Kullanım kodu ve örnekler	Apache 2.0	GitHub (google-research/tabfm)

Model ağırlıkları, ticari olmayan, kaynak kullanılabilir (source-available) bir lisansla yayınlandı — bu, OSI tanımına veya G7'nin 2026 dört kademeli çerçevesine göre tamamen açık kaynak olmadıkları anlamına geliyor . Çıkarım kodu ve örnek not defterleri ise izin verici Apache 2.0 lisansını kullanıyor . Bu model, Google'ın Gemma gibi diğer araştırma modellerinde izlediği yaklaşımı yansıtıyor (Gemma'nın daha yeni nesilleri daha sonra Apache 2.0'a geçmişti ) ve Prior Labs'ın TabPFN model ağırlıklarını ticari olmayan koşullarla yayınlamasıyla da tutarlı .

AI.PREDICT ile BigQuery Entegrasyonu

Google, duyuruyu takip eden haftalarda TabFM'i doğrudan BigQuery'ye entegre etmeyi planlıyor . BigQuery kullanıcıları, AI.PREDICT SQL komutunu kullanarak sıfır atışlı sınıflandırma ve regresyon çalıştırabilecek. Bu, BigQuery ML'nin mevcut yönetilen çıkarım fonksiyonlarının (TimesFM için AI.FORECAST'e benzer) sözdizimi modelini izliyor . Beklenen sözdizimi şu şekilde:

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

Bu entegrasyon, veri ekiplerinin ayrı bir ML altyapısı veya model dağıtımı yönetmek zorunda kalmadan doğrudan SQL içinde TabFM tahminlerini uygulamasına olanak tanıyacak . Duyuru tarihi itibarıyla (1 Temmuz 2026), bu entegrasyonun yakın olduğu ancak henüz BigQuery sürüm notlarına yansımadığı belirtildi . Google'ın mevcut BigQuery ML ekosistemi, TimesFM (AI.FORECAST), özel modeller (ML.PREDICT) ve Hugging Face'ten üçüncü taraf açık modeller için yönetilen çıkarımı zaten destekliyor ; TabFM, yerleşik bir AI.PREDICT kısayolu alan ilk tablo temel modeli olacak.

Akılda Tutulması Gereken Önemli Uyarılar

• Resmi Google Research blog yazısı 1 Temmuz 2026'da yayınlandı, yani bu çok yeni . Bazı detaylar — tam akademik makale, yayın anındaki kesin canlı TabArena puanları ve BigQuery yayın takvimi — hala netlik kazanmamış olabilir.
• Bu analiz sırasında herhangi bir resmi Google Research makalesi veya arXiv ön baskısı kamuya açık değildi. Teknik mimari detayları ikincil raporlama ve blog yazısından geliyor .
• BigQuery ML için belgelenen AI.PREDICT fonksiyonu şu anda kayıtlı bir model nesnesiyle ML.PREDICT kullanıyor ; TabFM için AI.PREDICT sözdizimi, TimesFM için AI.FORECAST'e benzer yeni bir yerleşik kısayol olabilir ve bu yazı itibarıyla sürüm notlarında henüz belgelenmemiştir.
• TabFM'in ticari olmayan ağırlık lisansı, ayrı bir anlaşma olmadan ticari kullanımı kısıtlıyor; bu da kurumsal benimseme planlarını etkileyebilir.