Beobachtetes Signal · 8. Juli 2026 · Technical Release · Quelle: TheSequence · Relevanz: 4/5 · Sentiment: Positiv
Google Research veröffentlicht TabFM als Foundation Model für Tabellendaten
Google Research hat TabFM vorgestellt, ein neuartiges Foundation Model für tabellarische Klassifizierung und Regression, das Vorhersagen auf zuvor ungesehenen Tabellen in einem einzigen Forward Pass ermöglicht – ganz ohne Training, Fine-Tuning oder Feature Engineering. TabFM verarbeitet den gesamten Kontext, bestehend aus Trainings- und Testzeilen, als einen einzigen Prompt und überträgt damit In-Context Learning auf Tabellenkalkulationen. Das Modell stammt von demselben Forschungsteam hinter TimesFM, einem bekannten Foundation Model für Zeitreihen, und markiert einen strategischen Wandel hin zu Foundation-Model-Techniken für konventionelle tabellarische Machine-Learning-Workflows, die bislang von XGBoost und manueller Datenaufbereitung dominiert wurden. Der Artikel erschien am 08.07.2026 im The Sequence Newsletter und beleuchtet die technologische Herkunft von TabFM sowie dessen weitreichende Implikationen für Enterprise-ML-Pipelines und Analytics-Strukturen branchenübergreifend.
Die Einführung eines Foundation Models für Tabellendaten durch Google Research könnte komplexe Enterprise-ML-Workflows und das klassische Feature Engineering massiv vereinfachen und beschleunigen, was Analytics- und Measurement-Teams in zahlreichen Branchen direkt beeinflusst.
Marktsignale zu Google in Echtzeit verfolgen
Polaris7 erfasst behördliche Registrierungen, Primärquellen, Führungswechsel und Deal-Aktivitäten rund um die Uhr. Erstellen Sie Ihren kostenlosen Explorer-Workspace, um automatisierte Executive Briefings zu erhalten.
Wichtigste Kernpunkte & Evidenz
- Google Research hat TabFM als Foundation Model für tabellarische Klassifizierung und Regression veröffentlicht.
- TabFM generiert Vorhersagen für unbekannte Tabellen in einem einzigen Forward Pass ohne Training, Tuning oder Feature Engineering.
- Das Modell nutzt In-Context Learning für Tabellendaten, indem Trainings- und Testzeilen als gemeinsamer Prompt verarbeitet werden.
- TabFM wurde von demselben Google Research Team entwickelt, das zuvor TimesFM für Zeitreihen entwickelt hat.
- Die Veröffentlichung erfolgte am 08.07.2026 im The Sequence Newsletter.
Verknüpfte Unternehmen
2 verknüpfte Unternehmen“Google Research just took direct aim at that ritual. TabFM, released a few days ago, is a foundation model for tabular classification and re...”
“Quick note: For over two years now, we’ve been running The Sequence without sponsors....”
Ontologie & Marktkonzepte
Verwandte Marktsignale & Trends
Aktuelle verifizierte Unternehmensentwicklungen und Deal-Aktivitäten in diesem Marktsegment.
On-Device-KI wird praxistauglich: Apple und Google setzen neue Maßstäbe
Apple und Google haben On-Device-Foundation-Modelle etabliert, die die Ökonomie, den Datenschutz und die Verfügbarkeit von LLM-Funktionen grundlegend verändern. Apples auf der WWDC am 8. Juni vorgestellte AFM-3-Generation nutzt eine sparsame Aktivierungsstrategie, bei der von rund 20 Milliarden Parametern im Flash-Speicher nur 1 bis 4 Milliarden pro Anfrage aktiv sind. Googlesto stellt die Gemma-4-Familie bereit, die durch Per-Layer-Embeddings und Mixture-of-Experts-Architekturen extrem kleine aktive Footprints erzielt. Edge-Varianten laufen offline auf Geräten wie Raspberry Pi oder NVIDIA Jetson Orin Nano. Da Apple zudem sein Framework für Drittanbieter- und Open-Modelle öffnet sowie Agenten-Primitives und lokale semantische Suche integriert, verlagern sich zahlreiche Features von kostenpflichtigen Cloud-Inferenzdiensten hin zu kostenfreien, privaten Ausführungen auf dem Endgerät.
GLM-5.2 etabliert sich als leistungsstarkes Open-Weight-Modell mit niedrigen Inferenzkosten
Der Podcast Latent Space (AINews) berichtet, dass Zhipus GLM-5.2 breite Community-Anerkennung als frontier-nahes Open-Weight Large Language Model erlangt hat. Maßgeblich dafür sind architektonische Anpassungen und starke Out-of-Sample-Leistungen. GLM-5.2 führt den IndexShare-Mechanismus ein, um spärliche Top-K-Indizes über Layer hinweg wiederzuverwenden, was die Kosten für sehr lange Kontexte (1 Million Token) senkt. Die Bereitstellung erfolgte rasch über Hugging Face und lokale GGUF-Formate (llama.cpp/Unsloth). Zudem hebt der Bericht PoolsideAIs Laguna M.1, neue Agenten-Tools sowie den neuen Benchmark AA-Briefcase von Artificial Analysis hervor, der Claude Fable 5, Opus 4.8 und GLM-5.2 bewertet und die Kosten pro Aufgabe vergleicht. GLM-5.2 markiert einen signifikanten Schritt für die praktische Anwendbarkeit von Open-Source-Modellen und das lokale AI-Deployment.
Google DeepMind veröffentlicht multimodale Open-Weight-Modelle der Gemma-4-Familie
Google DeepMind hat Gemma 4 vorgestellt, eine neue Familie von Open-Weight-Modellen unter einer Apache-2.0-Lizenz mit nativer Unterstützung für Text, Vision und Audio. Das Line-up umfasst ein 31B-Dense-Modell, eine 26B-MoE-Variante sowie zwei Edge-fokussierte Modelle (E4B, E2B). Die großen Modelle unterstützen Kontextfenster von bis zu 256K Token und wurden für Agenten-Workflows sowie lokale Deployments optimiert. Erste Benchmarks zeigen eine starke Performance bei Reasoning und Token-Effizienz. Zudem gab es einen Day-0-Support in gängigen Serving-Stacks wie llama.cpp, Ollama, vLLM und LM Studio. Die Veröffentlichung markiert einen signifikanten Fortschritt für On-Device-Agents und Open-Agent-Architekturen.
Marktsignale & Strategische Shifts in Echtzeit verfolgen
Erstellen Sie benutzerdefinierte Watchlists, um automatisierte, evidenzbasierte Executive Briefings zu erhalten, sobald wesentliche Signale oder Marktverschiebungen auftreten.