据MarkTechPost于2026年9月16日报道，Nums AI发布预训练表格基础模型Causilo，用于分类和回归，并在TabArena单模型排名中取得分类和回归最高Elo。该模型提供scikit-learn接口，代码以Apache-2.0许可发布，预训练权重在Hugging Face，目前可用于CUDA或CPU上的研究和评估；商业、生产及托管API使用需另行获得Nums AI许可。
Causilo采用上下文学习。调用fit不会更新预训练权重，而是把训练行存为上下文，在一次前向传播中预测查询行。根据其TabArena提交，Nums AI仅用合成数据预训练该模型，未使用TabArena数据集。输入支持NumPy数组或pandas DataFrame，可含类别特征和缺失值；分类最多支持10类，回归默认返回均值预测。1.0.1版本增加中位数和分位数输出，基于999个原生分位数。
网络分三阶段：细化、压缩和上下文学习。特征每组3个，缺失值有独立学习向量。两个列阶段各用128个潜在槽读取训练行并生成摘要；中间行阶段通过4个潜在令牌让特征组交互，使用交叉注意力而非完整自注意力，Nums AI称成本随特征数线性增长。池化块将每行压缩为512维向量，标签加入训练行后，12层预测块让查询行关注带标签行；默认8个集成成员共享权重。
TabArena评估采用官方流程，包含51个数据集、816个Full拆分、8个估计器和种子42。一名维护者复跑完整评估，总体Elo为1794。Causilo总体Elo为1792.9，高于TabFM的1764.4；分类Elo为1771.8，高于EXAONE Tabular的1758.8；回归Elo为2032.6，高于TabFM的1992.8。该领域还包括Google Research的TabFM、LG AI Research的EXAONE Tabular和Prior Labs的TabPFN-3，后者总体Elo为1636.2。第一排名不含系统条目；计入系统时，Causilo在88个条目中列第3。可改进性上，TabFM在总体和分类领先，Causilo在回归领先；头部Elo置信区间重叠，领先较窄。
在ScoringBench上，Causilo 1.0.1提交于101个数据集、每个5折、样本上限3000。Nums AI报告称其在CRPS、R²和RMSE上均排第一；ScoringBench维护者在提交前独立核查。速度与内存测试在1块H100 80GB GPU上进行，每任务8个CPU核心。Causilo每1000行拟合2.504秒、预测0.251秒，显存18.15GiB；TabICLv2为3.449秒、0.303秒和8.37GiB；TabPFN-3为4.18秒、0.686秒和60.88GiB。按该测试，Causilo拟合和预测最快。原文称TabPFN-3显存占用远低，但表格显示其60.88GiB高于Causilo和TabICLv2。
Causilo需要Python 3.10至3.12和PyTorch 2.13或更新版本，首次fit会自动下载检查点。代码在GitHub以Apache-2.0开放，权重仅限研究用途，无商业许可。