# Modele bazowe dla danych tabelarycznych

EN: **Tabular foundation models** · id `tabularfm`

Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Uczenie maszynowe](https://aiatlasgraph.com/t/ml.md) › [Uczenie nadzorowane](https://aiatlasgraph.com/t/supervised.md) › Modele bazowe dla danych tabelarycznych

## Description

- PL: Transformery wytrenowane wcześniej na milionach (głównie syntetycznych) tabel, które przewidują dla nowej tabeli bez trenowania — uczą się z przykładów podanych w kontekście. Nowy kierunek (od 2025) konkurujący z gradient boostingiem na małych i średnich zbiorach.
- EN: Transformers pretrained on millions of (mostly synthetic) tables that predict on a new table without training, learning in context from the given rows. A new direction (since 2025) competing with gradient boosting on small and medium datasets.

## In one sentence

- PL: To wcześniej wyuczone modele, które przewidują odpowiedzi dla tabel na podstawie podanych przykładów wierszy.
- EN: These pretrained models predict answers for tables using example rows supplied with the task.

## Problem it solves

- PL: Osobne trenowanie i dobieranie modelu dla każdej nowej tabeli wymaga czasu i wielu prób.
- EN: Training and selecting a separate model for every new table takes time and repeated trials.

## What it does

- PL: Po wcześniejszej nauce na wielu tabelach odczytuje nowe wiersze z odpowiedziami jako kontekst i przewiduje brakujące odpowiedzi bez zmiany własnych ustawień.
- EN: After learning from many tables, it reads new labelled rows as context and predicts missing answers without updating its internal parameters.

## Everyday example

- PL: Podajesz tabelę wcześniejszych zamówień z informacją o zwrotach oraz nowe zamówienie, dla którego model ma oszacować ryzyko zwrotu.
- EN: You supply past orders labelled with whether they were returned, plus a new order whose return risk the model should estimate.

## This concerns you if you…

- PL: chcesz zacząć przewidywania bez osobnego treningu dla tabeli
- PL: masz wiersze z odpowiedziami do pokazania jako przykłady
- EN: want predictions without training separately for each table
- EN: have labelled rows to supply as examples

## Keywords

TabPFN · TabICL · TabArena · prior-data fitted networks · in-context prediction

## How it works

- PL: Pretraining na wielu zadaniach tabelarycznych uczy model wnioskować z oznaczonych wierszy podanych jako kontekst. Transformer łączy cechy i przykłady, przewidując wyniki nowych wierszy bez obowiązkowego dopasowania osobnych parametrów zadania.
- EN: Pretraining across tabular tasks teaches models to infer from labelled rows supplied as context. A transformer combines features and examples to predict new-row outcomes without necessarily fitting separate task-specific parameters.

## Limits

- PL: Założenia pretrainingu mogą nie odpowiadać nowej tabeli. Rozmiar kontekstu, liczba cech i kodowanie kategorii wpływają na koszt oraz jakość; potrzebna jest niezależna walidacja.
- EN: Pretraining assumptions may not match a new table. Context size, feature count and category encoding affect cost and quality; independent validation is necessary.

## Key terms

- PL: **prior-data fitted network**: Model wyuczony na rodzinie zadań do przybliżania wnioskowania z nowych danych.
- PL: **uczenie w kontekście**: Dopasowanie predykcji do przykładów wejściowych bez obowiązkowej aktualizacji wag.
- EN: **prior-data fitted network**: A model trained across tasks to approximate inference from new data.
- EN: **in-context learning**: Adapting predictions to input examples without necessarily updating weights.

## Know first

- [Transformery i attention (Transformers and attention)](https://aiatlasgraph.com/t/transformers.md)
- [Twierdzenie Bayesa i wnioskowanie bayesowskie (Bayes' theorem and Bayesian inference)](https://aiatlasgraph.com/t/bayesinference.md)

## Examples

- PL: TabPFN · TabICL · benchmark TabArena
- EN: TabPFN · TabICL · TabArena benchmark

## Related topics

Untyped, symmetric "see also" links.

- [Gradient boosting (XGBoost, LightGBM) (Gradient-boosted trees)](https://aiatlasgraph.com/t/gradientboosting.md)
- [Modele bazowe na danych z dokumentacji pacjenta (Foundation models for electronic health records)](https://aiatlasgraph.com/t/ehrfoundation.md)
- [Syntetyczne dane tabelaryczne (Synthetic tabular data generation)](https://aiatlasgraph.com/t/tabularsynthetic.md)
- [Transformery i attention (Transformers and attention)](https://aiatlasgraph.com/t/transformers.md)

## Sources

- [Why do tree-based models still outperform deep learning on tabular data?](<https://arxiv.org/abs/2207.08815>) `grinsztajn-tabular-2022` · by Léo Grinsztajn, Edouard Oyallon, Gaël Varoquaux
- [Accurate predictions on small data with a tabular foundation model](<https://www.nature.com/articles/s41586-024-08328-6>) `hollmann-tabpfn-nature-2025` · by Noah Hollmann, Samuel Müller, Lennart Purucker, Arjun Krishnakumar, Max Körfer, Shi Bin Hoo, Robin Tibor Schirrmeister, Frank Hutter
- [TabPFN-2.5: Advancing the State of the Art in Tabular Foundation Models](<https://arxiv.org/abs/2511.08667>) `tabpfn25-2025` · by Léo Grinsztajn, Klemens Flöge, Oscar Key i in. (26 autorów)
- [TabArena — A Living Benchmark for Machine Learning on Tabular Data (repository)](<https://github.com/autogluon/tabarena>) `tabarena-github` · by AutoGluon / zespół TabArena

---

AI Atlas revision 122 (2026-10-30) · HTML: https://aiatlasgraph.com/t/tabularfm · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30