В статье исследуется применение трансформерных моделей для генерации синтетических медицинских табличных данных (SDG), что позволяет обходить ограничения доступа к реальным клиническим данным, сохраняя их структурную сложность и мультимодальные распределения. Авторы сравнивают три режима обучения в контексте (in-context learning): zero-shot, one-shot и few-shot, используя небольшие модели Llama 3.2 (1B и 3B параметров) и Phi (1.3B и 2.7B параметров) на реальном клиническом наборе данных. Ключевым результатом стало выявление компромисса между точностью и конфиденциальностью: режим zero-shot продемонстрировал более высокую верность (fidelity) данным и меньшую склонность к галлюцинациям по сравнению с методами с примерами, однако он оказался менее эффективным в защите приватности. Исследование показало, что размер модели и её семейство не оказывают существенного влияния на качество генерации в рамках сравниваемых подходов. Работа вносит вклад в понимание оптимизации адаптации трансформеров к табличным медицинским данным, предлагая эмпирические доказательства эффективности zero-shot подходов для повышения достоверности синтетических наборов. Результаты указывают на необходимость дальнейших исследований по снижению галлюцинаций и расширению анализа на другие архитектуры и датасеты для практического внедрения в медицинские исследования.