TabPFN-3
PulseAugur coverage of TabPFN-3 — every cluster mentioning TabPFN-3 across labs, papers, and developer communities, ranked by signal.
- 2026-05-13 research_milestone Publication of a technical report detailing the TabPFN-3 model, showcasing advancements in tabular data prediction. 来源
5 天有情绪数据
-
激活对齐提升表格模型上下文学习能力
研究人员开发了一种名为激活对齐的新方法，以提高表格基础模型在上下文学习中的性能。该技术通过训练一个轻量级的线性变换，将使用有限上下文的模型的中介激活映射到使用完整上下文的模型的中介激活，从而实现匹配。这种方法允许在保持更快的推理速度（与较小的上下文相关）的同时，显著缩小与使用整个数据集的模型相比的性能差距。该方法在使用了 TabPFN-3 和 TabFM 等领先表格基础模型的 38 个数据集上显示出广泛的改进。
-
MolPAIR框架提升分子性质预测准确性
研究人员开发了MolPAIR，一个旨在提高分子性质预测能力的新框架，特别是在处理与训练数据结构不同的化合物时。该方法在不更新特定任务参数的情况下，结合了分子级别和分子对的上下文。通过使用全局表格基础模型来预测性质，并使用第二个冻结模型根据查询分子和参考分子之间的误差差异来优化预测，MolPAIR提高了准确性。在58项任务上的实验表明，MolPAIR使用CheMeleon表示和TabPFN-3模型，显著优于现有基线，显示了显式分子比较在…
-
新研究推动表格基础模型实现高效和鲁棒性
多篇研究论文探讨了表格基础模型（TFMs）的进展，重点关注提高其效率、鲁棒性和适应性。知识蒸馏等技术正被用于从大型TFM创建更小、更快的学生模型，而RelICL和VIP-COP等新方法则解决了关系学习和上下文优化中的挑战。此外，研究正在探索架构选择和参数高效适应策略，以增强TFM在亚群体偏移和大规模数据集等各种数据条件下的性能。
-
TabPFN-3.5 通过增强的性能和速度推动表格基础模型的发展
一份新的技术报告介绍了 TabPFN-3.5，这是表格基础模型领域的重大进展。该模型在各种表格数据挑战中超越了其前身 TabPFN-3 和其他现有基准。TabPFN-3.5 在标准的表格预测任务上展示了最先进的性能，并将其能力扩展到处理复杂的现实世界数据，包括具有时间或分组拆分的非 i.i.d. 数据，以及包含文本、字符串和图像的表格。像 TabPFN-3.5-Fast 这样的专用变体提供高达 3 倍的推理速度，而 TabPFN-3.…
-
新的表格基础模型 TabPFN-3.5 和 Causilo 取得最先进的成果
新的表格基础模型正在快速发展，Prior Labs 发布了 TabPFN-3.5，Nums AI 发布了 Causilo。TabPFN-3.5 表现强劲，在默认设置下，其性能优于 2015 年 Kaggle 竞赛的获胜解决方案（在 Otto 数据集上），并在多项基准测试中名列前茅。Causilo 在分类和回归任务的单模型中也处于 TabArena 排行榜的前列。研究还表明，虽然对于先进的表格基础模型而言，特征工程的收益正在减小，但提供…
-
Mitra-v2 表格基础模型以更小的尺寸实现SOTA性能
研究人员推出了一款新的表格基础模型Mitra-v2，该模型在分类和回归任务上取得了最先进的性能。Mitra-v2仅使用合成数据进行训练，采用了紧凑的二维Transformer架构，能够高效处理更长的上下文和更大的特征空间。尽管与TabFM等行业级模型相比尺寸较小，Mitra-v2在TabArena和TALENT等基准测试中仍表现出具有竞争力或更优的结果，使其成为表格数据问题的强大且广泛适用的开源选项。
-
研究发现表格基础模型未能掌握物理学原理
一篇新的研究论文探讨了表格基础模型（TFMs）是否从训练数据中学习了物理学原理。该研究使用源自316个物理方程的数据集，评估了包括TabPFN-3和TabICLv2在内的四种TFMs，并与六种基线模型进行了比较。尽管TFMs表现出强大的性能，但研究发现它们无法表示无噪声机制或物理单位，这限制了它们作为真正物理模型的能力。
-
ClusterAttention 在无需训练的情况下加速 AI 模型
研究人员推出了一种名为 ClusterAttention 的新方法，旨在加速 AI 模型中的双向注意力层，而无需额外的训练。该技术采用一种快速的递归聚类方法，能够适应每个注意力头中键和查询的特定几何形状。ClusterAttention 已在大型表格数据上展示了显著的加速效果，将 TabPFN-3 的速度提高了两到六倍，同时保持了超过 99% 的密集注意力精度。它还通过实现更接近密集注意力的输出，并与现有的专用方法相比提供更大的加速，…
-
Prior Labs 发布关系学习研究开源工具
Prior Labs 发布了三款旨在推进关系学习研究和可复现性的开源软件工具。RelArena-α 是一个用于在 RelBench v1 基准上比较模型的统一框架，标准化了数据加载和评估。TabPFN-Rel 是 TabPFN-3 的关系型工具，目前在 RelArena-α 上排名第一，并展示了将关系型数据库展平成单个表进行处理的竞争力。此外，关系预测接口 (RPI) 为早期采用者提供了一种模型无关的方式，可以将各种模型应用于新数据库。
-
TabPFN-3 以速度和规模推动表格数据预测
一份新的技术报告介绍了 TabPFN-3，这是一种先进的表格数据基础模型，显著提高了性能和速度。该模型可扩展到拥有多达 100 万行训练数据的表格数据集，与前代模型 TabPFN-2.5 相比，训练和推理时间大大缩短。TabPFN-3 在包括 TabArena 在内的各种基准测试中均取得了最先进的结果，并在时间序列、关系型和表格-文本数据预测方面展现出更强的能力。
-
TabPFN-3 模型提升表格数据预测和速度
一份新的技术报告介绍了 TabPFN-3，这是一款先进的表格数据基础模型，显著提高了性能和速度。该模型可扩展至包含多达一百万个训练行的数据集，并缩短了训练和推理时间，在 TabArena 等基准测试中表现优于现有模型。TabPFN-3 还将其能力扩展到时间序列、关系型和表格-文本数据，取得了新的最先进成果。