Zer0Fit envuelve TabFM y TimesFM de Google como un servidor MCP local

Un desarrollador ha creado Zer0Fit, una implementación de código abierto que sirve los modelos base de Google TabFM y TimesFM como un servidor Model Context Protocol (MCP) para tareas de aprendizaje automático sin disparo (zero-shot). El proyecto permite a los usuarios realizar pronósticos, clasificaciones y regresiones localmente sin construir o entrenar modelos personalizados.

• Combina los modelos transformadores de Google TabFM (datos tabulares) y TimesFM (series temporales) en un solo contenedor Docker.
• Alcanzó una precisión del 94.7% en el conjunto de datos Iris y un R2 de 0.87 en la regresión de California Housing en pruebas zero-shot.
• Requiere aproximadamente 16GB de VRAM y admite la carga dinámica de modelos con un TTL de 5 minutos para gestionar la memoria.
• Compatible con Open WebUI, Claude Code y Codex, funcionando en hardware Nvidia habilitado para CUDA como DGX Spark, 3090 y H100.

Esta herramienta permite a los usuarios conectar LLMs locales a modelos base de ML para tareas que anteriormente requerían una extensa sintonización de hiperparámetros y entrenamiento de modelos.