Xiaomi TabLDM: Was kann die Tabellen-KI?

Xiaomi öffnet TabLDM: ein KI-Modell für Tabellen statt Texte

Michael Dobler

Autor Dr. Web

5. September 2026

2 Min. Lesezeit

Die meisten Firmendaten stecken in Tabellen, nicht in Texten. Xiaomi hat mit TabLDM ein quelloffenes KI-Modell veröffentlicht, das solche Tabellen ohne eigenes Training auswertet und den Regressions-Benchmark OpenML-CTR23 vor etablierten Verfahren wie XGBoost anführt. Für Unternehmen verschiebt sich damit die Frage von „Wie trainiere ich ein Modell?“ zu „Welches vortrainierte Modell nehme ich?“.

drweb.de als bevorzugte Quelle auf Google hinzufügenQualitätsgeprüfte Inhalte direkt in Google News & DiscoverJetzt hinzufügen

Xiaomi-TabLDM steht seit dem 5. September 2026 als quelloffenes Modell bereit, mit Gewichten auf Hugging Face und einer scikit-learn-kompatiblen Schnittstelle.^[1] Das Modell überträgt das Prinzip der großen Sprachmodelle auf strukturierte Daten: einmal vortrainiert, danach ohne Nachtraining für jede neue Aufgabe einsetzbar.

Das Wichtigste in Kürze

Ein vortrainiertes Modell für Klassifikation und Regression, ohne Feintuning je Datensatz.
Rang 1 im Regressions-Benchmark OpenML-CTR23, Spitzengruppe bei TALENT, TabArena und BCCO.
82 % weniger Trainingszeit und 68 % weniger Vorhersagezeit als der bisherige TabArena-Spitzenreiter TabFM von Google.
Quelloffen auf GitHub und Hugging Face, damit im eigenen Rechenzentrum betreibbar.

Warum ein Modell für Tabellen statt für Texte?

Schweizer Taschenmesser mit Excel-ähnlichen Datentabellen statt Werkzeugen — Strukturierte Unternehmensdaten wie Aufträge und Kundenstämme werden traditionell mit Gradient-Boosting-Verfahren wie XGBoost analysiert. TabLDM revolutioniert diesen Ansatz durch ein neues Modell

Der wirtschaftliche Wert vieler Unternehmen liegt in strukturierten Daten: Auftragslisten, Sensorwerte, Buchungssätze, Kundenstämme. Für Vorhersagen darauf gilt seit Jahren Gradient Boosting als Standard, etwa XGBoost oder LightGBM. Jedes neue Problem verlangt dort einen eigenen Trainingslauf samt Feineinstellung der Parameter.

TabLDM bricht mit diesem Ablauf. Das Modell wurde vollständig auf synthetischen Daten vortrainiert, erzeugt aus strukturkausalen Modellen, die unterschiedliche Datengrößen, Variablentypen und Abhängigkeiten abbilden. Aus diesem Training heraus ordnet es einen neuen Datensatz per In-Context-Lernen ein, ohne dass ein Team erst eine eigene Pipeline aufsetzt.

Wie schlägt sich TabLDM im Vergleich?

Im Benchmark OpenML-CTR23 für Regression belegt TabLDM den ersten Platz, bei TALENT die Spitze in der binären Klassifikation und den zweiten Rang in der Regression. Auf TabArena erreicht das Modell den zweithöchsten Wert und braucht dabei 82 % weniger Trainingszeit und 68 % weniger Vorhersagezeit als der bisher führende TabFM von Google.^[2]

Aufschlussreicher als die Ranglisten sind die Werksdaten, die Xiaomi selbst nennt. Gegen ein abgestimmtes XGBoost sank bei der Vorhersage von Bauteilgewichten die Zahl der Fehlausreißer um 31 %, in der Fertigungsvorhersage der mittlere Fehler um 54 %. Bei einem Produktionswechsel genügten rund 30 neue Beispiele, um den Fehler um weitere 62 % zu drücken.

Ein vortrainiertes Modell für Tabellendaten trifft den Mittelstand härter als der nächste Chatbot, denn dort liegt die Wertschöpfung in ERP und Buchhaltung, nicht im Textfeld.
— Markus Seyfferth, Chefredakteur Dr. Web

Was heißt das für Unternehmen im DACH-Raum?

Das Rennen um Tabellen-Grundmodelle hat einen prominenten europäischen Pol. Das Freiburger Start-up Prior Labs um Frank Hutter legte mit TabPFN 2025 die vielzitierte Nature-Arbeit vor, über drei Millionen Downloads folgten. SAP übernimmt Prior Labs inzwischen und investiert nach eigenen Angaben mehr als eine Milliarde Euro über vier Jahre, um daraus ein europäisches KI-Forschungslabor zu formen.^[3]

Für deutsche Entscheider zählt weniger die Rangliste als der Betriebsweg. Quelloffene Gewichte lassen sich im eigenen Rechenzentrum betreiben, was Datenschutz und Datenhoheit erleichtert, ein Argument, das auch hinter dem Trend zu quelloffener KI in Konzernen steht. Ein Modell aus chinesischer Hand verlangt zugleich die übliche Sorgfalt bei Lizenz, Herkunft der Trainingsdaten und Prüfung an den eigenen Zahlen.

Xiaomi-TabLDM in Zahlen

Kennzahlen zum quelloffenen Tabellen-Grundmodell, veröffentlicht am 5. September 2026.

Platz 1

im Regressions-Benchmark OpenML-CTR23, Spitzengruppe bei TALENT, TabArena und BCCO

82 %

weniger Trainingszeit als der bisherige TabArena-Spitzenreiter TabFM von Google

68 %

weniger Vorhersagezeit als TabFM bei nahezu gleichwertiger Genauigkeit

54 %

geringerer mittlerer Fehler in Xiaomis Fertigungsvorhersage gegenüber abgestimmtem XGBoost

Feintuning je Aufgabe: ein vortrainiertes Modell für Klassifikation und Regression

> 1 Mrd. €

SAP-Investition in den europäischen Rivalen Prior Labs (TabPFN) über vier Jahre

Konkret testen: Teams, die heute XGBoost-Pipelines pflegen, können TabLDM per pip an einem eigenen Datensatz gegentesten und Aufwand wie Genauigkeit direkt vergleichen. Der schnellste Erkenntnisgewinn liegt in einem kleinen Regressionsproblem aus dem Tagesgeschäft, bei dem sich das vortrainierte Modell gegen das eingespielte Verfahren messen lässt.