Разработчик создал Zer0Fit, реализацию с открытым исходным кодом, которая предоставляет фундаментальные модели Google TabFM и TimesFM в виде сервера Model Context Protocol (MCP) для задач машинного обучения без дообучения. Проект позволяет пользователям выполнять прогнозирование, классификацию и регрессию локально, без создания или обучения пользовательских моделей.
- Объединяет трансформерные модели Google TabFM (табличные данные) и TimesFM (временные ряды) в одном Docker-контейнере.
- Достиг точности 94.7% на наборе данных Iris и R2 = 0.87 на регрессии California Housing при тестировании без дообучения.
- Требует около 16 ГБ VRAM и поддерживает динамическую загрузку моделей с временем жизни (TTL) 5 минут для управления памятью.
- Совместим с Open WebUI, Claude Code и Codex, работает на оборудовании Nvidia с поддержкой CUDA, таком как DGX Spark, 3090 и H100.
Этот инструмент позволяет пользователям подключать локальные LLM к фундаментальным моделям машинного обучения для задач, которые ранее требовали обширной настройки гиперпараметров и обучения моделей.