Большие табличные модели делают то, с чем не справляются LLM
Стартап Fundamental привлёк $275 млн и создал NEXUS — первую крупную табличную модель (LTM), заточенную под обработку структурированных данных в таблицах. В отличие от ChatGPT и других LLM, которые беспомощны перед spreadsheet'ами, LTM понимают строки, столбцы и связи между ними. AWS уже встроил NEXUS в SageMaker.
Большинство корпоративных данных хранится в таблицах — от банковских транзакций до клинических исследований. LTM позволяют применять к ним мощь фундаментальных моделей без месяцев программирования, открывая AI-аналитику для компаний, где LLM бесполезны.
Почему LLM не умеют работать с таблицами
ChatGPT, Claude и Gemini генерируют тексты, пишут код и решают сложные задачи — но дайте им обычную таблицу Excel, и они беспомощны. Проблема в том, что большие языковые модели обучены предсказывать следующий элемент в последовательности, а таблицы устроены иначе: порядок столбцов и строк можно менять, смысл данных останется тем же.
Как объясняет Борис ван Брёгель, исследователь AI из Амстердама, у табличных данных есть ещё одна проблема: каждая таблица уникальна. Данные о финансовых транзакциях имеют мало общего с клиническими исследованиями или метриками сайтов — обучить одну модель на всём этом многообразии крайне сложно.
NEXUS: первая большая табличная модель
Стартап Fundamental вышел из скрытого режима 5 февраля 2025 года с $275 млн финансирования и моделью NEXUS — первой крупной табличной моделью (Large Tabular Model, LTM). В отличие от классических ML-алгоритмов вроде XGBoost, которые требуют месяцев настройки для каждой задачи, NEXUS обучена на миллиардах таблиц и может применяться сразу к разным кейсам.
Ключевое отличие LTM от LLM: она моделирует структуру таблицы напрямую. NEXUS понимает не только числовое значение (например, «500»), но и то, что оно означает (количество бананов на складе), к какой категории относится (продукты) и как связано с другими данными. Это позволяет модели точнее предсказывать результаты — скажем, является ли транзакция мошеннической.
Внедрение и перспективы
В июне 2025 года Amazon Web Services встроил NEXUS в Amazon SageMaker — де-факто стандарт для корпоративного машинного обучения. В отличие от LLM, куда нужно импортировать данные, NEXUS работает там, где уже хранятся таблицы клиентов — в защищённой среде, без доступа к ним со стороны Fundamental.
Глава Fundamental Джереми Френкель подчёркивает: самой сложной задачей была сборка обучающего датасета. Табличные данные редко бывают публичными (многие конфиденциальны), и компании пришлось лицензировать множество источников и применять аугментацию данных, чтобы обучить модель.
LTM могут стать для корпоративной аналитики тем же, чем LLM стали для текста — универсальным инструментом, не требующим программирования под каждую задачу.
Ключевые выводы
- LLM не умеют работать с таблицами, потому что обучены на последовательных данных (текст, изображения), а таблицы не зависят от порядка столбцов и строк
- Стартап Fundamental создал NEXUS — первую крупную табличную модель (LTM), обученную на миллиардах таблиц и способную работать с разными типами структурированных данных без месяцев настройки
- AWS встроил NEXUS в Amazon SageMaker, что даёт модели доступ к корпоративным данным прямо в защищённой среде клиента — без экспорта информации
- В отличие от LLM, LTM понимает не только числа, но и их смысл, категории и связи с другими данными — это делает предсказания точнее и детерминированными
- Самая большая проблема при создании LTM — дефицит публичных табличных датасетов: большинство данных конфиденциальны или проприетарны
Автор: Артём Ковалёв · Источник: spectrum.ieee.org
**История с табличными моделями — это напоминание, что AI-хайп крутится вокруг того, что эффектно выглядит**: картинки, тексты, видео. А тем временем 90% корпоративных данных сидит в скучных таблицах, с которыми LLM справляются хуже Excel.
Fundamental решает реальную проблему: заменить древние ML-алгоритмы вроде XGBoost, которые требуют армии дата-сайентистов и месяцев настройки, на универсальную модель. Интеграция с AWS SageMaker — это сигнал, что enterprise готов платить за табличный AI. Вопрос в том, насколько быстро появятся open-source альтернативы — и не окажется ли, что для многих задач старый добрый XGBoost всё ещё достаточен. Но сама идея LTM логична: если LLM работают для текста, почему бы не сделать то же самое для таблиц?
Комментарии