(2022 года). Модель была предварительно обучена на сотнях миллионов синтетических наборов данных, сгенерированных структурными каузальными моделями, а не на реальных корпоративных данных. В статье подчеркивается, что обертка scikit-learn имеет ограничения по умолчанию: 500 признаков и 100 строк контекста, поэтому модель производит выборку, если таблица больше. Независимые бенчмарки Яша Раджа Пандея показывают, что TabFM превосходит настроенный XGBoost на небольших и средних таблицах, но некоторые преимущества исчезали при учете нескольких сидов. Статья отмечает проблемы с памятью: заявленные 22,75 ГБ видеопамяти в основном были артефактом распределителя XLA, реальное использование составляло около 16,95 ГБ; включение bf16 и разбиение активаций в PyTorch снизило использование памяти до 3-7 ГБ. Автор предлагает правильный протокол оценки с несколькими сидами и равными бюджетами для настройки гиперпараметров. В заключение статьи говорится, что, хотя TabFM демонстрирует многообещающие результаты, его поведение на «грязных» корпоративных таблицах и при дрейфе распределения не охарактеризовано, поэтому проверка на ваших собственных данных необходима.