Большие табличные модели решают то, с чем не справляются языковые модели
Обычные большие языковые модели (LLM) вроде ChatGPT, Claude и Gemini хорошо пишут тексты и генерируют изображения, но плохо справляются с анализом таблиц, банковских транзакций, метрик сайта, показателей пациентов в клинических испытаниях или данных с коллайдеров. Причина в самой природе LLM: они предсказывают следующий токен в последовательности, поэтому чувствительны к порядку слов. Табличные данные устроены иначе, строки и столбцы можно переставлять местами без потери смысла, и предсказание должно быть детерминированным (например, в задаче «мошенническая транзакция или нет» ответ не должен зависеть от порядка столбцов).
Чтобы закрыть этот разрыв, стартап Fundamental 5 февраля 2026 года вышел из режима стелс с 275 миллионами долларов финансирования и моделью NEXUS, «большой табличной моделью» (large tabular model, LTM), созданной специально для табличных данных. В июне 2026 года Amazon Web Services встроила NEXUS в Amazon SageMaker, ключевую платформу для машинного обучения, как «нативное» AWS-решение по партнёрству первого уровня. По словам генерального директора Fundamental Джереми Френкеля (Jeremy Fraenkel), NEXUS работает на платформе конфиденциальных вычислений, поэтому компания физически не имеет доступа к данным клиентов и не обучает на них модель.
В отличие от классических алгоритмов для табличных данных, например, градиентного бустинга деревьев решений (XGBoost), которым уже больше 15 лет и которые нужно отдельно обучать и настраивать под каждую задачу месяцами, LTM являются фундаментальными моделями: они предобучены на огромном массиве разнородных таблиц и переносятся на новые задачи почти без ручной донастройки. NEXUS обучали на миллиардах таблиц, собранных из проприетарных партнёрских источников, открытых датасетов и синтетически сгенерированных данных, обучающих данных по таблицам объективно меньше и они разнороднее, чем текстов для LLM, так что сбор корпуса стал одной из главных сложностей проекта.
По словам исследователя ИИ из Амстердама Бориса ван Бройгеля (Boris van Breugel), соавтора статьи 2024 года на эту тему, табличным данным долго уделяли меньше внимания просто потому, что таблицы «неинтересно смотреть» по сравнению с картинками и видео, а разные наборы таблиц труднее сравнивать между собой, чем тексты, у них слишком разная семантика переменных.
Fundamental, не единственный игрок: в марте компании Feedzai (борьба с мошенничеством) и Mastercard независимо друг от друга выпустили похожие проприетарные модели для финансового сектора, а в конце июня Google представила собственную модель TabFM, обученную полностью на синтетических датасетах. Исследовательское сообщество тоже развивает направление, упоминаются модели FlexTab, TabICL и iLTM. И ван Бройгель, и Френкель сходятся во мнении, что будущее, за автоматизированным анализом данных, а языковые и табличные модели дополнят друг друга: LLM хороши в рассуждениях и работе с текстом, LTM, в работе с числами и статистическими закономерностями, и максимальный эффект даст их сочетание.
Ключевые факты
- Стартап Fundamental вышел из стелс-режима 5 февраля 2026 года с $275 млн финансирования и моделью NEXUS, первой крупной «большой табличной моделью» (LTM), заточенной под работу с таблицами вместо текста
- В июне 2026 года Amazon Web Services встроила NEXUS в Amazon SageMaker как нативное AWS-решение по партнёрству первого уровня
- LLM плохо работают с таблицами, потому что предсказывают следующий токен в последовательности и чувствительны к порядку данных, тогда как строки и столбцы таблиц можно переставлять без потери смысла, предсказания над ними должны быть детерминированными
- LTM заменяют классические алгоритмы вроде XGBoost (градиентный бустинг деревьев решений), которые нужно месяцами настраивать под каждую задачу вручную: NEXUS предобучена на миллиардах таблиц и переносится на новые задачи почти без донастройки
- Похожие модели для табличных данных уже выпустили Feedzai и Mastercard (март, финансовый сектор) и Google, модель TabFM (конец июня, обучена на синтетических датасетах); в исследовательском сообществе развиваются FlexTab, TabICL и iLTM
Почему это важно
Большая часть данных, на которых реально держится бизнес, банковские транзакции, метрики сайтов, показатели клинических испытаний, данные датчиков, это таблицы, а не тексты. Языковые модели с ними справляются плохо: они устроены для предсказания следующего токена в последовательности, а табличные данные не последовательны и требуют детерминированных, воспроизводимых предсказаний. NEXUS от Fundamental, первая крупная фундаментальная модель, обученная напрямую на структуре таблиц (значение ячейки, что оно означает, как связано с другими столбцами), а не на последовательностях токенов.
Кому это важно
В первую очередь, компаниям и командам, чья работа строится на структурированных данных: банкам и платёжным системам (обнаружение мошенничества), маркетинговым и аналитическим командам, фарма- и медицинским исследователям, инженерам данных в физике высоких энергий. Также это важно дата-сайентистам и MLOps-командам, которые сейчас тратят месяцы на ручную настройку алгоритмов вроде XGBoost под каждую конкретную задачу.
Как это применить
NEXUS уже доступна как часть Amazon SageMaker, то есть подключается через существующую AWS-инфраструктуру без необходимости импортировать чувствительные данные в модель отдельно: платформа Fundamental физически не имеет доступа к пользовательским данным. Компаниям, которые уже используют классические модели на табличных данных (скоринг, антифрод, прогнозирование), стоит присмотреться к LTM как к альтернативе, требующей меньше ручного инженеринга признаков и настройки под каждую задачу, похожие продукты для финансового сектора уже выпустили Feedzai и Mastercard, а Google предлагает TabFM.
Можно ли доверять
Заявленные цифры (275 млн долларов финансирования, дата выхода из стелса, партнёрство с AWS в Amazon SageMaker) исходят от самой компании Fundamental и её генерального директора Джереми Френкеля, а материал независимого исследователя Бориса ван Бройгеля подтверждает общую проблему (LLM плохо работают с таблицами) и общий тренд, но не проверяет технические показатели NEXUS независимо. Заявление о недоступности клиентских данных для обучения, тоже со слов компании, без независимого аудита в тексте материала.
Риски и подводные камни
Материал не раскрывает конкретные бенчмарки, на которых NEXUS обошла бы XGBoost или конкурентов, все качественные оценки даны на уровне общих формулировок. Рынок LTM уже заполняется параллельно (Feedzai, Mastercard, Google TabFM, исследовательские модели FlexTab, TabICL, iLTM), так что конкурентное преимущество NEXUS не гарантировано долгосрочно. Также остаётся открытым вопрос, насколько «универсальна» модель, предобученная на разнородных таблицах из разных доменов (биология, финансы), учитывая признание самой компании, что тренировочные табличные данные редки, разрозненны и по природе менее однородны, чем текстовые корпуса для LLM.
«С языковыми моделями даже небольшое изменение входных данных даёт другой результат. Это нормально и часто даже желательно для LLM, но когда вы предсказываете, мошенническая транзакция перед вами или нет, вам нужно, чтобы предсказание было одинаковым, детерминированным, независимо ни от чего.»
— Джереми Френкель, генеральный директор Fundamental