Google apresenta TabFM, modelo de fundação para dados tabulares

O que aconteceu

Em 30 de junho de 2026, o Google Research apresentou o TabFM, um modelo de fundação para dados tabulares. O anúncio foi feito pelos pesquisadores Weihao Kong e Abhimanyu Das no blog oficial do Google Research. O modelo está disponível nos repositórios do Hugging Face e do GitHub. A novidade segue a mesma lógica de zero-shot aplicada pelo Google ao TimesFM, modelo de séries temporais lançado anteriormente.

Contexto

Dados tabulares são a espinha dorsal da infraestrutura de dados empresariais e alimentam aplicações críticas de machine learning, como previsão de churn e detecção de fraude. Historicamente, algoritmos supervisionados baseados em árvores — AdaBoost, XGBoost e random forests — dominaram esse espaço, oferecendo desempenho robusto em dados estruturados. Porém, o ciclo de vida desses modelos exige trabalho manual intenso. Ajustar um modelo XGBoost a um novo conjunto de dados vai muito além de um simples passo .fit(): exige horas de otimização de hiperparâmetros e engenharia de atributos específica para cada domínio. O TabFM surge para atacar exatamente esse gargalo.

Por que importa

O TabFM enquadra a previsão tabular como um problema de aprendizado em contexto (in-context learning, ICL). Essa técnica, popularizada por modelos de linguagem de grande escala, permite que um modelo pré-treinado aprenda uma nova tarefa a partir de exemplos e instruções no contexto de entrada, sem atualizar os pesos. Com isso, o TabFM elimina a necessidade de treinar modelos para cada novo conjunto de dados, de ajustar hiperparâmetros e de criar atributos manualmente. Na prática, o usuário pode obter previsões de alta qualidade em tabelas nunca vistas em uma única passagem (forward pass).

Impacto

A abordagem pode reduzir drasticamente o tempo e o esforço de cientistas de dados em tarefas de classificação e regressão. Em vez de passar horas ajustando modelos, eles podem usar o TabFM como ponto de partida ou como solução direta. Isso também democratiza o acesso a modelagem preditiva para equipes com menos especialização em machine learning, já que o modelo lida com a complexidade do treinamento de forma implícita.

O que muda

O paradigma tradicional de ML atualiza parâmetros do modelo específicos para a distribuição de cada conjunto de dados. O TabFM, por outro lado, ignora essa etapa: o modelo recebe o dataset inteiro — com exemplos históricos de treinamento e o alvo — e gera previsões sem treinamento adicional. Isso representa uma mudança de mentalidade na forma como modelos tabulares são construídos e implantados, aproximando o campo das práticas já consolidadas em LLMs.

O que vem agora

O Google disponibilizou o TabFM no Hugging Face e no GitHub, o que permite que a comunidade teste o modelo em diferentes cenários. A expectativa é que a abordagem evolua e seja aplicada a outros domínios, seguindo a trajetória do TimesFM. Ainda não há detalhes sobre versões comerciais ou integração com produtos do Google.

Fontes

• Google Research Blog: [Introducing TabFM: A zero-shot foundation model for tabular data](https://research.google/blog/introducing-tabfm-a-zero-shot-foundation-model-for-tabular-data/)