Large Tabular Models sollen ChatGPTs Tabellen-Schwäche ausnutzen
TL;DR
LLMs wie ChatGPT, Claude und Gemini wirken stark bei Text, Code und Präsentationen, scheitern aber oft an größeren Tabellen. Reihenfolge, Spaltenlogik und nichtlineare Beziehungen passen schlecht zum nächsten Token als Grundprinzip. Fundamental positioniert NEXUS als Large Tabular Model für strukturierte Daten. Das Startup ging am 5. Februar 2026 mit 275 Millionen US-Dollar Funding aus dem Stealth-Modus und zielt auf Vorhersagen in Tabellen statt Chat-Antworten.
Nauti's Take
Das ist einer der sinnvolleren AI-Trends, weil er dort ansetzt, wo Firmen ihr Geld und ihre Risiken speichern. Trotzdem sollte niemand die LTM-Story mit Magie verwechseln: Tabellen sind dreckig, Kontext fehlt, Spaltennamen lügen, und Governance bleibt Arbeit.
NEXUS klingt relevant, AWS ist ein starkes Vertrauenssignal, aber die Kategorie muss erst beweisen, dass sie in echten Workflows besser ist als gut gepflegte klassische Modelle plus kluge Analysten.
Einordnunganzeigen
Die meisten Firmenprobleme liegen nicht in hübschen Prompts, sondern in Tabellen: Umsätze, Risiken, Kundendaten, Laborwerte, Transaktionen. Wenn LTMs halten, was sie versprechen, wandert ein Teil der Data-Science-Arbeit von monatelangem Feature Engineering zu schnellerem Modellieren auf vorhandenen Daten. Entscheidend wird, ob die Modelle verlässlich, prüfbar und datenschutzfest genug sind.
Quellen