テーブル型の基礎モデルは、構造化データ学習における拡大するパラダイムを示しており、大規模な事前学習の利点をテーブルデータ分野に拡張している。しかし、その導入は、異種の前処理パイプライン、断片化されたAPI、一貫性の欠如する微調整手順、および校正性や公平性といったデプロイ指向の指標に対する標準化された評価の不在という課題により、依然として限られている。本研究では、単一のインターフェースを通じてテーブル型基礎モデルの完全なワークフローを標準化する統合型ライブラリ「TabTune」を提案する。TabTuneは、ゼロショット推論、メタラーニング、教師あり微調整（SFT）、パラメータ効率的微調整（PEFT）を含む複数の適応戦略をサポートする7種類の最先端モデルに一貫したアクセスを提供する。本フレームワークは、モデルに応じた前処理を自動化し、内部でアーキテクチャの多様性を管理し、性能、校正性、公平性の評価モジュールを統合している。拡張性と再現性を重視して設計されており、テーブル型基礎モデルの適応戦略の一貫したベンチマークが可能となる。本ライブラリはオープンソースであり、https://github.com/Lexsi-Labs/TabTune にて公開されている。