TabPFN
慕尼黑大学团队提出的表格数据基础模型，将贝叶斯推断与Transformer架构融合，通过在合成生成的小型分类任务上预训练实现上下文学习能力
核心事实
时间轴 (近 90 天)
PriceCraft AI 使用 TabPFN 进行定价，其中 TabPFNRegressor 拟合成交价，TabPFNClassifier 预测14天内是否售出。
作者认为通用聊天模型在定价任务上会给出'听起来合理'但无法校准的数字，而 TabPFN 真正在做表格预测。
TabPFN 的局限在于对特征维度与样本量较敏感，超大表格仍需回退到常规模型。
在CounterDeal中，gemma2:2b负责解析用户意图和对话导航，TypeScript RERA审计器执行法定计算，TabPFN处理结构化概率预测。
Ideator的定价槽位由TabPFN模型自动填充，痛点槽位由证据自动填充，其余三项由用户决定。
TabPFN是一类基于Transformer的表格基础模型，样本量在几千行以内、特征数在百级以内时表现最佳。
Ideator的TabPFN定价工具在每次调用时现场训练一个回归器，随着使用次数增加价格估计变得更准。
在作者进行的预测实验中，TabPFN 在全部9次运行中排名第一：使用300条历史预订时 ROC-AUC 为0.721，1,000条时为0.766，3,000条时为0.778；梯度提升分别为0.682、0.702、0.747；逻辑回归分别为0.699、0.741、0.749。
使用相同每日邮件数量时，TabPFN 30%阈值在172次取消中抓到111次，逻辑回归抓到106次，最佳手工规则抓到99次。
TabPFN 是专为小表格数据设计的预训练模型，面对新表格只需一步就能学习，无需额外训练。
还有 40 条时间轴事件
全部知识事实 (20)
2023年提出的TabPFN首次实现了表格数据的in-context learning，通过将训练样本作为上下文输入在推理时完成小规模数据集分类，无需梯度更新
75%已验证TabPFN（Tabular Prior-Data Fitted Network）由Hollmann等人于2023年提出，在大量合成表格数据集上预训练Transformer来学习表格预测元任务
65%已验证TabPFN属于基于模型的元学习类别，将整个学习算法编码到Transformer的权重中，因此推理时不需要显式的参数更新过程
65%已验证TabPFN在推理时将整个训练集拼接为Transformer输入序列，单次前向传播即完成预测，无需梯度更新
65%待验证TabPFN研究团队使用结构因果模型（SCM）作为数据生成过程的骨架，通过随机采样不同的图结构、非线性函数、噪声分布等参数生成合成表格数据集
85%待验证TabPFN在训练阶段已经见过数百万个基于贝叶斯先验分布合成生成的表格数据集
85%待验证TabPFN是一个基于Transformer的模型，可以在一秒内完成小型表格数据集的分类任务，无需针对特定任务进行超参数调优或迭代训练
85%待验证TabPFN不依赖任何领域特定的真实数据，却能覆盖现实世界中可能遇到的各种数据分布模式，包括线性/非线性关系、类别不平衡和多重共线性
80%部分验证TabPFN的全称是Tabular Prior-data Fitted Network（表格先验数据拟合网络）
65%待验证PriceCraft AI 使用 TabPFN 进行定价，其中 TabPFNRegressor 拟合成交价，TabPFNClassifier 预测14天内是否售出。
50%待验证作者认为通用聊天模型在定价任务上会给出'听起来合理'但无法校准的数字，而 TabPFN 真正在做表格预测。
50%待验证TabPFN 的局限在于对特征维度与样本量较敏感，超大表格仍需回退到常规模型。
50%待验证在CounterDeal中，gemma2:2b负责解析用户意图和对话导航，TypeScript RERA审计器执行法定计算，TabPFN处理结构化概率预测。
50%待验证Ideator的TabPFN定价工具在每次调用时现场训练一个回归器，随着使用次数增加价格估计变得更准。
50%待验证Ideator的定价槽位由TabPFN模型自动填充，痛点槽位由证据自动填充，其余三项由用户决定。
50%待验证TabPFN是一类基于Transformer的表格基础模型，样本量在几千行以内、特征数在百级以内时表现最佳。
50%待验证使用相同每日邮件数量时，TabPFN 30%阈值在172次取消中抓到111次，逻辑回归抓到106次，最佳手工规则抓到99次。
50%待验证TabPFN 是专为小表格数据设计的预训练模型，面对新表格只需一步就能学习，无需额外训练。
50%待验证在作者进行的预测实验中，TabPFN 在全部9次运行中排名第一：使用300条历史预订时 ROC-AUC 为0.721，1,000条时为0.766，3,000条时为0.778；梯度提升分别为0.682、0.702、0.747；逻辑回归分别为0.699、0.741、0.749。
50%待验证SignalDesk 为 TabPFN 预留了适配器接缝，但完整集成尚未完成。
50%