本研究概述了表格数据的深度学习架构，提出了两种基准架构，并发现Transformer在性能上最优。与传统机器学习方法比较，结果显示传统方法在有监督学习中仍优于深度学习。此外，研究提出了Tabular Foundation Models (TabFMs)，利用预训练的大型语言模型提升对表格数据的理解，并探讨了其局限性和未来发展方向。

本文介绍了Tabular Foundation Models (TabFMs)，通过使用预训练的大型语言模型 (LLM) 并进行微调，实现了对表格数据的深刻理解和普适能力。TabFMs在指导性任务方面具有优势，并在某些情况下超越了闭源LLMs。同时，TabFM在有限数据下表现出了出色的效率和竞争性表现。文章还探讨了TabFM的局限性和潜在机会，旨在促进更强大的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，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。

本文提出了 Tabular Foundation Models (TabFMs)，通过使用预训练的大型语言模型并进行微调，实现了对表格数据具有深刻理解和普适能力的目标。TabFMs 在指导性任务方面具有显著优势，并且在某些情况下甚至超越了著名的闭源 LLMs。