표 형식 파운데이션 모델(Tabular Foundation Models, TFMs)은 표 형식의 예측 작업(tabular predictive tasks)을 위한 새로운 접근 방식으로 등장하였으며, 앙상블 트리 기반 모델(ensemble tree-based models)에 필적하는 예측 성능을 보여주고 있습니다. 대부분의 TFM은 독립 동일 분포(independent and identically distributed, i.i.d.) 데이터에서 학습 및 평가되지만, 실제 시나리오에서는 분포 변화(distribution shifts)로 인해 이 가정이 변하며, 이는 모델의 강건성(robustness)을 저해합니다. 분포 변화 상황에서의 TFM에 대한 연구는 제한적으로 수행되어 왔습니다. 본 연구에서는 다양한 사전 학습(pre-training) 전략과 아키텍처를 아우르는 9가지 TFM(TabPFNv2, TabPFNv2.5, TabPFNv2.6, TabPFNv3, TabICL, TabICLv2, Mitra, LimiX, TabFM)의 분포 외(Out-Of-Distribution, OOD) 성능에 대한 실증적 평가를 제시합니다. 레이블(label), 사회경제적(socioeconomic), 지리적(geographic) 변화 유형을 포함하는 TableShift 연구의 세 가지 실제 데이터셋(HELOC, Voting, Childhood Lead)을 고려하였습니다. 연구 결과, 평가된 모든 TFM은 사전 학습 전략과 관계없이 분포 변화 하에서 체계적으로 성능이 저하되었으며, 변화 유형에 따라 0.003에서 0.060 사이의 변화 격차(shift gaps)를 보였습니다. 전통적인 표 형식 모델(classical tabular models)에서 기록된 분포 내(in-distribution) 및 OOD 예측 성능 간의 관계가 TFM에서도 확장됨을 확인하였습니다. 또한, 성능이 뛰어난 모델들이 표준 배포 인프라가 지원할 수 있는 수준을 넘어서는 상당한 메모리 및 계산 자원을 요구한다는 확장성 격차(scalability gap)를 식별하였습니다. 본 연구는 표 형식 데이터의 OOD에 대한 기존 벤치마크를 확장하며, 구조적 분포 변화가 특징인 고위험 영역(high-stakes domains)에서 TFM 채택을 뒷받침하는 근거를 제공합니다.