신용 부도 예측 (Credit default prediction)은 심각한 클래스 불균형 (class imbalance), 이질적인 특징 (heterogeneous features), 그리고 엄격한 지연 시간 예산 (latency budgets)을 가진 정형 데이터 학습 (tabular learning) 문제입니다. Tabular Foundation Models (TFMs)는 인컨텍스트 학습 (in-context learning)을 통해 이 문제에 접근하며, 이는 컨텍스트 윈도우 (context window)가 어떻게 구축되는지에 따라 예측 결과가 민감하게 반응하게 만듭니다. 우리는 Home Credit 및 Lending Club 데이터셋을 사용하여 4개의 고전적 모델 (classical models)과 5개의 TFM을 벤치마킹하였으며, 컨텍스트 구축 전략 (7가지 옵션)과 컨텍스트 크기 (1K에서 50K까지)를 변화시켰습니다. 두 데이터셋 모두에서, 컨텍스트 전략의 선택은 TFM 제품군 (TFM family)의 선택보다 AUC-ROC의 분산을 더 많이 설명합니다. 균형 잡힌 샘플링 (balanced sampling)과 하이브리드 샘플링 (hybrid sampling)은 균등 샘플링 (uniform sampling)에 비해 3~4 AUC 포인트를 추가하며, 이 격차는 TFM 간의 차이보다 큽니다. 5K에서 10K개의 예시로 구성된 균형 잡힌 컨텍스트를 사용할 경우, 가장 강력한 TFM은 전체 데이터로 학습된 고전적 베이스라인 (classical baselines)의 AUC에 도달하는 동시에, 기본 임계값 기반의 GBDT가 확보하지 못하는 의미 있는 부도 클래스 재현율 (default-class recall)을 회복합니다. 우리는 이를 아키텍처 선택보다 컨텍스트 구축이 불균형한 신용 위험 환경에서 TFM을 배포할 때의 주요 레버 (primary deployment lever)라는 증거로 제시합니다.