TabPFN으로 대표되는 정형 데이터 파운데이션 모델 (Tabular foundation models)은 레이블이 지정된 학습 예시로부터 테스트 레이블을 직접 추론하는 인컨텍스트 러닝 (In-context learning)을 통해 예측을 수행합니다. 이 모델들은 특히 소-중규모 데이터셋에서 경쟁력 있는 성능을 입증해 왔습니다. 그러나 최근의 정형 데이터 파운데이션 모델들은 점점 더 복잡한 아키텍처 (Architectures)를 통해 정확도를 높이는 경향이 있으며, 이는 더 높은 추론 비용 (Inference cost)을 초래하고 실제 배포를 제한합니다. 본 연구에서는 기존 TabPFN 설계를 재검토하며, 두 가지 간단한 개선 사항—게이트 어텐션 안정화 메커니즘 (Gated attention stabilization mechanism)과 전역적 문맥 (Global context)을 제공하고 사전 학습 (Pretraining) 품질을 향상시키는 소수의 학습 가능한 레지스터 토큰 (Register tokens) 세트—을 통해 경량화된 행 단위 어텐션 전용 백본 (Row-wise attention-only backbone)이 여전히 높은 경쟁력을 유지할 수 있음을 보여줍니다. 그 결과물인 TabSwift 모델은 분류 (Classification)와 회귀 (Regression)를 모두 지원하며, 더 강력한 정형 데이터 파운데이션 모델(예: TabPFN v2 및 TabICL)과 경쟁할 수 있는 동시에 추론 시에는 더 효율적입니다. 지연 시간 (Latency)에 민감한 서빙을 위해, 우리는 샘플당 추론 깊이를 동적으로 조정하는 적응형 계층별 조기 종료 (Adaptive layer-wise early-exit) 메커니즘을 추가로 도입합니다. 종합적으로, TabSwift는 실제 배포를 위한 효율적이고 언제든 사용 가능한 (Anytime) 정형 데이터 인컨텍스트 러닝을 가능하게 합니다.