Un développeur a créé Zer0Fit, une implémentation open-source qui sert les modèles de fondation TabFM et TimesFM de Google en tant que serveur Model Context Protocol (MCP) pour des tâches d'apprentissage automatique en zero-shot. Le projet permet aux utilisateurs d'effectuer des prévisions, des classifications et des régressions localement sans construire ou entraîner de modèles personnalisés.

  • Combine les modèles de transformation TabFM (données tabulaires) et TimesFM (séries temporelles) de Google dans un seul conteneur Docker.
  • A atteint une précision de 94,7 % sur l'ensemble de données Iris et un R2 de 0,87 sur la régression California Housing en tests zero-shot.
  • Nécessite environ 16 Go de VRAM et prend en charge le chargement dynamique des modèles avec un TTL de 5 minutes pour gérer la mémoire.
  • Compatible avec Open WebUI, Claude Code et Codex, fonctionnant sur du matériel Nvidia pris en charge par CUDA tel que DGX Spark, 3090 et H100.

Cet outil permet aux utilisateurs de connecter des LLM locaux à des modèles de fondation ML pour des tâches qui nécessitaient auparavant un réglage approfondi des hyperparamètres et l'entraînement de modèles.