TabPFN-3刚刚发布：一款支持高达100万行的预训练表格基础模型 [R][N]

TabPFN-3 于今天发布，这是表格基础模型的下一个迭代版本，最初发表在《自然》杂志上。给刚接触 TabPFN 的朋友快速回顾：TabPFN 通过单次前向传播对表格数据进行预测——无需训练、无需超参数搜索、无需调优。它基于 TabPFN-2.5（2025 年 11 月发布）和 TabPFNv2（2025 年 1 月发表于《自然》），两者合计下载量超过 300 万次，已发表应用超过 200 个。新特性：* 规模：单个 H100 上支持 100 万行（比 2.5 大 10 倍）。优化的 KV 缓存（每估计算法每百万行约 8GB）和按行分块的推理使其在单个 GPU 上变得可行。* 速度：推理速度比之前版本快 10 到 1000 倍。通过 KV 缓存，在 SHAP 上快 120 倍。* 思考模式（仅 API）：通过在推理时进行一次额外的拟合，利用测试时计算进一步推动预测。在 TabArena 上超越了所有非 TabPFN 的方法，Elo 分差超过 200，包括经过 4 小时调优的 AutoGluon 1.5 extreme。在更大数据片段上，分差更是翻倍达到 420 Elo。* 准确性：在 TabArena 上对比经典机器学习方法的胜率为 93%。* 多类别：原生非参数检索解码器，支持多达 160 个类别。* 校准的分位数回归：条形分布回归头在单次前向传播中产生校准的分位数预测。* 提升相关任务：时间序列、可解释性，以及在关系型基准上达到新的 SOTA。* 3 种部署途径：API、企业许可和开源权重（对研究和学术评估宽松）。您可以在此[尝试](https://docs.priorlabs.ai/quickstart)，或在此[阅读模型报告](https://priorlabs.ai/technical-reports/tabpfn-3)。欢迎在评论区提问交流。