Prior Labs 发布 TabPFN-3.5：默认设置下据报超越 Otto 竞赛冠军方案

核心事实

据 MarkTechPost 报道，Prior Labs 发布了表格基础模型 TabPFN-3.5。该模型在单次前向传播中完成对表格数据的预测，无需针对具体数据集进行训练或调参。Prior Labs 称其在 7 项表格基准测试中取得第一名。

报道提到一项演示：在 2015 年 Kaggle 的 Otto Group 产品分类竞赛数据上，TabPFN-3.5 在私有排行榜上取得 0.375 的多分类对数损失，优于当年冠军方案的 0.382。据称该次运行使用原始数据和默认设置，在 RTX PRO 6000 GPU 上耗时约一分钟，模型仅用合成数据预训练，未接触 Otto 或任何 Kaggle 数据集。相关可复现 Kaggle notebook 已公开。

背景与影响

Otto 竞赛当年吸引 3,505 支队伍，参赛者需用 93 个脱敏计数特征将产品分为 9 类，评分指标为多分类对数损失，越低越好。冠军方案由 Gilberto Titericz 与 Stanislav Semenov 提交，为基于手工特征的 36 个模型多层堆叠。报道称 AutoGluon 系列多年追赶该成绩，从 2020 年论文中的第 23 名逐步提升至 2026 年 8 月的第 9 名。

技术报告列出 TabPFN-3.5 在 TabArena、BeyondArena、STRABLE、MulTaBench、RelArena-α、TALENT 和 ScoringBench 上排名第一，其中部分榜首由 TabPFN-3.5-Thinking 取得。模型方面，上下文 Transformer 维度由 512 提升至 1024，参数量增至 220M，单一多任务检查点同时覆盖分类与回归，并引入傅里叶特征与上下文 ECDF 秩编码。模型家族还包括 Fast（alpha）、Plus（仅 API 与企业版）和 Thinking 版本。

限制与来源

上述基准成绩、Elo 数值与竞赛对比均来自 Prior Labs 及报道方，尚未获独立第三方确认。开放权重据报仅限研究、评估与 Kaggle 等非商业用途，生产环境需使用 Prior Labs 的 API 或商业许可；具体许可条款、可用地区、定价与功能支持请以官网当前信息为准。报道同时指出，在分组、时序和大数据切片上，经过调优与集成的 MLP 仍保持领先；在大训练集上，基础模型据称比 TabPFN-3 慢至多约 2 倍。

来源：MarkTechPost，链接见 原文。