Summary
Google Research released TabFM on July 1, 2026, a tabular foundation model performing zero-shot classification and regression via in-context learning in a single forward pass — no per-dataset training, hyperparameter tuning, or manual feature engineering. The hybrid architecture combines TabPFN row/column attention with TabICL compression, trained on hundreds of millions of synthetic structural causal model datasets. Available on Hugging Face and GitHub; BigQuery AI.PREDICT SQL integration coming. TabFM-Ensemble variant adds cross/SVD features and 32-way ensemble weighting.
Source Analysis
Secondary: MarkTechPost. Primary corroboration: Google Research blog, GitHub, PyPI.
Research Notes
Additional Sources
- 2026-07-01-google-tabfm-research-blog — official architecture and BigQuery roadmap
- 2026-07-01-google-tabfm-github — scikit-learn API, JAX/PyTorch backends, v1.0.0
- 2026-07-01-google-tabfm-gigazine — Hugging Face non-commercial license note
Key Facts Verified
- Confirmed: Release June 30, 2026; pip
tabfm; Apache 2.0 code license - Confirmed: Zero-shot ICL in single forward pass; synthetic SCM training data
- Planned: BigQuery
AI.PREDICTintegration within weeks - Disclaimer: Not officially supported Google product
Broader Context
Extends foundation-models into tabular domain where XGBoost/lightGBM dominate enterprise ML. High relevance for Turkish fintech/e-commerce data teams. Open weights lower adoption barrier vs proprietary tabular AutoML.
Related Wiki
google, tabfm, foundation-models, tabular-foundation-models, google-cloud, ml-infrastructure, fintech-ai, google-deepmind, llm-applications, enterprise-ai
Draft Article
Google TabFM: Tablo Verisi İçin Sıfır-Shot Foundation Model
google Research, 1 Temmuz 2026’da tabfm adlı tabular foundation model’i duyurdu. Model, zero-shot classification ve regression yapabiliyor — dataset başına eğitim, hyperparameter tuning veya manuel feature engineering gerektirmeden, tek bir forward pass’te in-context learning ile çalışıyor. Hugging Face ve GitHub üzerinden erişilebilir; pip install tabfm ile kurulabiliyor. BigQuery AI.PREDICT SQL entegrasyonu haftalar içinde planlanıyor.
Ana Gelişme
TabFM, hibrit bir mimari kullanıyor: TabPFN’in satır/sütun attention mekanizmasını TabICL’in sıkıştırma (compression) yaklaşımıyla birleştiriyor. Yüzlerce milyon sentetik structural causal model (SCM) dataset’i üzerinde eğitildi.
İki varyant mevcut:
- TabFM: Temel model, zero-shot ICL
- TabFM-Ensemble: Cross/SVD feature’ları ve 32-way ensemble weighting ekler
Kod Apache 2.0 lisansıyla açık; scikit-learn API uyumlu, JAX ve PyTorch backend destekli. GitHub’da v1.0.0 olarak yayınlandı.
Google, TabFM’in resmi bir Google ürünü olmadığını açıkça belirtiyor — research release statüsünde. Hugging Face model ağırlıkları non-commercial lisans altında.
Neden Önemli?
Tabular ML, enterprise’da XGBoost ve lightGBM’nin hakim olduğu bir alan. foundation-models devrimi metin ve görüntüye odaklanırken, tablo verisi geride kalmıştı. TabFM, “tablo verisi için ChatGPT anı” metaforuyla bu boşluğu doldurmayı hedefliyor.
Türk fintech ve e-ticaret veri ekipleri için pratik senaryolar:
- Müşteri churn tahmini: Eğitim gerektirmeden mevcut veriyle sınıflandırma
- Kredi risk skorlaması: Zero-shot regression ile hızlı prototipleme
- Satış forecasting: Feature engineering olmadan regresyon
Open weights, proprietary tabular AutoML çözümlerine kıyasla adoption bariyerini düşürüyor.
Teknik Detaylar
| Özellik | TabFM | XGBoost/lightGBM | LLM tabular |
|---|---|---|---|
| Eğitim gereksinimi | Yok (zero-shot) | Dataset başına | Prompt engineering |
| Forward pass | Tek pass | Tam eğitim döngüsü | Çoklu prompt |
| Feature engineering | Otomatik | Manuel | Manuel |
| API | scikit-learn uyumlu | Native | Custom |
| Lisans | Apache 2.0 (kod) | Açık kaynak | Değişken |
Hibrit mimari, satır bazlı attention (TabPFN) ile sütun bazlı compression (TabICL) arasında denge kuruyor. Sentetik SCM eğitim verisi, modelin çeşitli tabular yapıları genelleştirmesini sağlıyor.
BigQuery entegrasyonu, google-cloud ekosisteminde SQL-native tabular ML akışı vaat ediyor: AI.PREDICT fonksiyonu ile doğrudan sorgu içinde tahmin.
Bağlam
TabFM, tabular-foundation-models alanında google-deepmind araştırma hattının pratik çıktısı. enterprise-ai ve fintech-ai segmentlerinde ml-infrastructure stratejisinin bir parçası.
llm-applications genişlerken, domain-specific foundation model’ler (tabular, time-series, graph) ayrı bir trend oluşturuyor.
Sonraki Adımlar
BigQuery AI.PREDICT entegrasyonunun haftalar içinde gelmesi bekleniyor. Non-commercial Hugging Face lisansının ticari kullanım senaryolarını nasıl etkileyeceği netleşmeli. Türk veri ekipleri için TabFM-Ensemble’ın gerçek dünya benchmark’larında XGBoost’a karşı performansı kritik bir değerlendirme noktası.
Kaynaklar
- MarkTechPost — Google AI introduces TabFM
- Google Research Blog — TabFM architecture and BigQuery roadmap
- GitHub — tabfm v1.0.0
- Gigazine — Hugging Face non-commercial license note
Suggested Angle
“Tablo verisi için ChatGPT anı: Google TabFM ile eğitimsiz ML mümkün mü?”
Editorial Notes
Onaylandı — Format: standard | Açı: Türk fintech/e-ticaret veri ekipleri için pratik ML etkisi.
Başlık önerileri (TR):
- Google TabFM: Tablo verisi için sıfır-shot foundation model
- Tablo verisi için ChatGPT anı: Google TabFM ile eğitimsiz ML mümkün mü?
- Google, XGBoost dünyasına TabFM ile foundation model getirdi
Makalede mutlaka yer almalı:
- Zero-shot classification/regression — tek forward pass, eğitim gerektirmez
- Hibrit mimari: TabPFN + TabICL; sentetik SCM verisiyle eğitim
- Hugging Face/GitHub erişimi;
pip install tabfm; Apache 2.0 lisans - BigQuery
AI.PREDICTentegrasyonu yol haritası - Resmi Google ürünü olmadığı uyarısı
- Türk fintech/e-ticaret bağlamında tabular ML kullanım senaryoları
Reporting talimatları:
- Teknik okuyucuya scikit-learn API uyumluluğunu vurgula
- XGBoost/lightGBM ile kısa karşılaştırma tablosu
- Hugging Face non-commercial lisans notunu belirt