Zer0Fit empacota TabFM e TimesFM do Google como um servidor MCP local

Um desenvolvedor criou o Zer0Fit, uma implementação de código aberto que serve os modelos fundamentais TabFM e TimesFM do Google como um servidor Model Context Protocol (MCP) para tarefas de aprendizado de máquina zero-shot. O projeto permite aos usuários realizar previsões, classificações e regressões localmente, sem construir ou treinar modelos personalizados.

• Combina os modelos transformadores TabFM (dados tabulares) e TimesFM (séries temporais) do Google em um único contêiner Docker.
• Alcançou 94,7% de precisão no conjunto de dados Iris e um R2 de 0,87 na regressão California Housing em testes zero-shot.
• Requer aproximadamente 16GB de VRAM e suporta carregamento dinâmico de modelos com TTL de 5 minutos para gerenciar a memória.
• Compatível com Open WebUI, Claude Code e Codex, funcionando em hardware Nvidia habilitado para CUDA, como DGX Spark, 3090 e H100.

Esta ferramenta permite que os usuários conectem LLMs locais a modelos fundamentais de ML para tarefas que anteriormente exigiam extensa sintonização de hiperparâmetros e treinamento de modelos.