Не LLM единым. Новые модельки для таблиц и данных с сенсоров от Google Вышли уже "давно", аж 2 недели назад, но выглядят очень неплохо и решают проблему "ща запихну все в LLM она разберется" (не разберется). SensorFM обучена прямо на сырых сигналах с носимых устройств, всяких фитнес-браслетов – без перевода в текст. Триллион минут данных от 5 млн человек: пульс, кислород, сон, движение, температура. Бонус: снял часы – модель не ломается, пропуски для неё нормальная часть сигнала. Результат: на 34 из 35 медицинских задач бьёт модели, которые эксперты годами настраивали вручную. В том числе "ща закину все в Claude - она все офигенно поймет". Лучше всего ловит то, что по одному пульсу не видно – депрессию и тревожность. TabFM – то же самое для таблиц. С таблицами всегда была беда, слишком много надо учитывать. И к тому же много классических алгоритмов, которые "били" всех LLM-новичков. А табличные данные - это ж кровь бизнес и аналитики. Обычный путь: дата-сайентист неделю чистит данные, придумывает признаки, тюнит XGBoost. Здесь – кидаешь таблицу как есть и сразу получаешь прогноз, без обучения вообще. Забавная деталь: модель ни разу не видела реальных данных – её обучили на сотнях миллионов сгенерированных таблиц. И этого хватило, чтобы догнать тюненные классические модели. Скоро будет прямо в BigQuery одной SQL-командой. Крайне рекомендую. В общем, не забывайте, что LLM «думают» текстом. Скормить ChatGPT год показаний пульсометра или таблицу на 100 тысяч строк – значит превратить числа в текст. Модель такое читает как рассказ, а не как данные: структура теряется, числа она толком не «чувствует», а контекст забивается мгновенно. Пользуйтесь специализированными решениями. Тем более они уже реально хороши https://research.google/blog/sensorfm-towards-a-general-intelligence-and-interface-for-wearable-health-data/ https://research.google/blog/introducing-tabfm-a-zero-shot-foundation-model-for-tabular-data/