Prior Labs publie TabPFN-3.5, battant le gagnant de Kaggle Otto 2015 avec les paramètres par défaut

Prior Labs a publié TabPFN-3.5, un modèle fondamental tabulaire qui prédit sur une table en un seul passage avant sans entraînement ni ajustement par jeu de données. Le modèle obtient un score de 0,375 sur le classement privé du Défi de Classification de Produits Otto Group 2015, battant le score gagnant original de 0,382 réalisé par Gilberto Titericz et Stanislav Semenov.

• TabPFN-3.5 atteint la première place sur sept benchmarks tabulaires : TabArena, BeyondArena, STRABLE, MulTaBench, RelArena-α, TALENT et ScoringBench.
• Le modèle de base passe à 220M paramètres avec un transformateur in-context plus large (1024 dimensions) et utilise des caractéristiques de Fourier apprises et les rangs ECDF pour les encodages de cellules.
• Un seul checkpoint multitâche couvre désormais la classification et la régression, supprimant le besoin de transformations quantiles, de mise à l'échelle robuste et de caractéristiques SVD.
• Le modèle prend en charge jusqu'à 1M lignes avec 6 000 caractéristiques recommandées (20 000 prises en charge) et s'exécute en environ une minute sur un GPU RTX PRO 6000.
• La famille inclut TabPFN-3.5-Fast (84M paramètres), TabPFN-3.5-Plus (API/entreprise avec gestion de texte) et TabPFN-3.5-Thinking (calcul d'inférence supplémentaire).

La publication fournit des poids ouverts pour la recherche, l'évaluation et Kaggle, tandis que l'utilisation en production nécessite l'API de Prior Labs ou une licence commerciale.