تمثّل النماذج الأساسية الجداولية نمطًا متزايد الأهمية في تعلّم البيانات المُنظَّمة، حيث تُمكّن من نقل فوائد التدريب المسبق على نطاق واسع إلى مجالات البيانات الجدولية. ومع ذلك، يظل اعتمادها محدودًا بسبب تباين أنظمة ما قبل المعالجة، وانفصال واجهات برمجة التطبيقات (API)، وتفاوت إجراءات التخصيص الدقيق (fine-tuning)، فضلاً عن غياب معايير تقييم موحّدة تُراعي مقاييس مُستَخدمة في البيئات المُصمّمة للتشغيل، مثل التمثيل (calibration) والعدالة (fairness). نقدّم "TabTune"، مكتبة موحّدة تُوحّد عملية العمل الكاملة للنماذج الأساسية الجدولية من خلال واجهة واحدة. توفر "TabTune" وصولًا متسقًا إلى سبعة نماذج متطورة من الدرجة الأولى، وتدعم استراتيجيات تكيّف متعددة، منها الاستدلال بدون عينات (zero-shot inference)، والتعلّم الميتا (meta-learning)، والتدريج المُراقب (Supervised Fine-Tuning - SFT)، والتدريج الفعّال من حيث المُعامِلات (Parameter-Efficient Fine-Tuning - PEFT). تُعَمّل الإطار تلقائيًا معالجة البيانات المُتّسقة مع النموذج، وتحمِل التباين المعماري داخليًا، وتمدّه بوحدات تقييم متكاملة تُقيّم الأداء، والتمثيل، والعدالة. صُمّمت "TabTune" لضمان الإمكانيات التوسّعية والقابلية للتكرار، ما يمكّن من إجراء مقارنات متسقة لاستراتيجيات التكيّف المُستخدمة في النماذج الأساسية الجدولية. وتمّ إتاحة المكتبة مفتوحة المصدر عبر الرابط: https://github.com/Lexsi-Labs/TabTune.