Prior Labs发布TabPFN-3.5，默认设置下Otto分数优于2015年Kaggle冠军

据MarkTechPost报道，Prior Labs发布表格基础模型TabPFN-3.5，该模型在单次前向传播中直接预测表格，无需按数据集训练或调参。Prior Labs称其在一项2015年Kaggle Otto Group产品分类挑战赛中，以默认设置和原始数据取得0.375的私有榜分数，优于当年冠军的0.382，并在7个表格基准测试中排名第一。

Otto挑战赛有3505支队伍争夺1万美元奖金，参赛者用93个脱敏计数特征把产品分为9类，按多分类对数损失评分，分数越低越好。冠军是曾排名Kaggle大师榜世界第一的Gilberto Titericz和Stanislav Semenov，方案为在手工特征上堆叠36个模型。AutoGluon联合创建者、Prior Labs研究员Nick Erickson称，AutoGluon在2020年论文中排名第23，AutoGluon 1.0在2023年排名第14，AutoGluon 1.6在2026年8月排名第9；从第10名到冠军的0.382还需再降0.018，接近此前从0.41降到0.40的两倍。TabPFN-3.5得0.375，运行使用原始数据和默认设置，在RTX PRO 6000 GPU上约一分钟完成，模型仅用合成数据预训练，未见过Otto或任何Kaggle数据集，可复现的Kaggle notebook已公开。

技术报告称，TabPFN-3.5在TabArena、BeyondArena、STRABLE、MulTaBench、RelArena-α、TALENT和ScoringBench排名第一，但榜首不总是基础模型。TabPFN-3.5-Thinking在TabArena、BeyondArena、STRABLE和MulTaBench居首，内部TabPFN-Rel harness预览版拿下RelArena-α。在51个数据集的TabArena上，Thinking达到1910 Elo，基础模型为1866，高于TabFM+的1823。BeyondArena覆盖142个数据集，TabPFN-3.5比此前总榜领先者高约150 Elo，调优集成的MLP仍在分组、时序和大数据切片上领先。

模型底部，上下文Transformer从512维扩大到1024维，参数从TabPFN-3分类版的5300万增至2.2亿；单个多任务检查点覆盖分类和回归；单元格编码引入学习式傅里叶特征和上下文ECDF排名；预处理移除分位数变换、稳健缩放和SVD特征；支持最多100万行，推荐6000个特征，支持2万个特征。TabPFN-3.5开放权重，默认8个估计器；Fast版开放权重，8400万参数，快至多6倍；Plus仅API和企业版，增加原生文本处理和FP8注意力；Thinking使用额外推理算力，比TabPFN-3-Thinking快至多12倍。开放权重可在本地用于研究、评估和Kaggle，生产使用需Prior Labs的API或商业许可。