本文介绍了Tabular Foundation Models（TabFMs），通过使用预训练的大型语言模型（LLM）在广泛的表格数据集上进行微调，实现了对表格数据的深入理解和普适能力。TabFMs在指导性任务方面表现出优势，并在某些情况下超越了闭源LLMs。此外，当数据有限时，TabFMs表现出了出色的效率和竞争力。最后，探讨了TabFM的局限性和潜在机会，以促进更强大的TabFMs的研究。

本文介绍了Tabular Foundation Models（TabFMs），通过使用预训练的大型语言模型（LLM）在广泛的表格数据集上进行微调，实现了对表格数据的深入理解和普适能力。TabFMs在指导性任务方面表现出优势，并在某些情况下超越了闭源LLMs。此外，即使在有限的数据下进行微调，我们的模型也表现出了出色的效率和竞争力。最后，我们还探讨了TabFM的局限性和潜在机会，以促进未来更强大的TabFMs的研究。

最近的研究发现，预训练的大型语言模型（LLMs）具有类似于人类认知结构的特点。本文研究了心理学中的社会偏见，并在LLMs中发现了“重新判断不一致”的现象。实验证实了这种现象的高度稳定性，可能意味着随着LLMs能力的增强，不同的认知结构也会出现。心理学理论可以提供对LLMs中显性和隐性结构表达的深入洞察。