表格基础模型（Tabular foundation models）代表了结构化数据学习领域的一种新兴范式，将大规模预训练的优势拓展至表格数据领域。然而，由于预处理流程异构、API 分散、微调方法不统一，以及缺乏针对部署相关指标（如校准性与公平性）的标准化评估体系，其实际应用仍受到限制。为此，我们提出 TabTune——一个统一的开源库，通过单一接口标准化表格基础模型的完整工作流程。TabTune 提供对七种前沿模型的一致访问，支持多种适配策略，包括零样本推理、元学习、监督微调（Supervised Fine-Tuning, SFT）以及参数高效微调（Parameter-Efficient Fine-Tuning, PEFT）。该框架自动实现模型感知的预处理，内部管理模型架构的异构性，并集成性能、校准性与公平性评估模块。TabTune 设计注重可扩展性与可复现性，支持对表格基础模型各类适配策略的一致性基准测试。该库已开源，项目地址为：https://github.com/Lexsi-Labs/TabTune。