这项由PriorLabs、弗莱堡大学、曼海姆大学、法国国信息与自动化盘考所（INRIASaclay）、以列理工学院（Technion）、ELLISInstituteTübingen、ZuseSchoolELIZA及Probabl等机构联开展的盘考，以预印本色式于2026年6月29日发布，论文编号为arXiv:2606.30410。感兴致的读者可以通过这编号在arXiv上找到齐全原文。
先从个你可能没相识到的问题提及。假定你是病院的数据分析师，你的任务是用机器学习模子预计将来哪些病东说念主会再次住院。你手上有历史数据，念念西宾个模子，然后拿去预计新病东说念主。这听起来很苟简，但问题藏在细节里：你的西宾数据是往时三年的，而你要预计的是来岁的病东说念主。时间在流动，病东说念主的特征、谱、医疗计策王人在变化。若是你用"从历史数据里立地抽部分出来作念测试"的式来评估模子有多好，你得到的分数会比模子在真是部署中的推崇出好多——因为你暗暗"看"了将来的数据散布。
这个问题，恰是这篇论文念念惩办的中枢矛盾。
频年来，类叫作念"表格基础模子"（TabularFoundationModels，简称TFM）的AI模子激发了学术界和工业界的平淡随和。所谓表格数据，就是咱们日常活命中常见的那种数据：电子表格、数据库里的纪录、病院病历表、银行来去纪录……和图片、笔墨不同，表格数据每行是个样本，每列是个特征，结构相称规整。表格基础模子的方向，是西宾个"选手"，论你给它什么类型的表格，它王人能径直预计，不需要针对每个任务单西宾。代表的模子包括TabPFN、TabICLv2、TabDPT等。
这些模子在学术圈的评测中推崇亮眼，论文篇接篇，宣称在多样程序测试集上越了传统的梯度擢升树模子（如XGBoost、LightGBM、CatBoost）。干系词，盘考团队发现了个严重的问题：这些程序测试集，大多数王人是"理念念化"的场景——数据是立同散布的（简称IID，可以融会为每个样本王人是从同个袋子里立地持出来的，西宾集和测试集莫得本质区别）。但现实中，大多数信得过有价值的预计任务，数据王人不悦足这个条目。
换句话说，现存的评测体系就像是只在碧波浩淼的拍浮池里测试走漏员，然后就书记他们适进入大洋横渡比赛。这昭着是不够的。
于是，这个来自多顶机构的盘考团队决定建造个接近真是天下的"测试赛说念"。他们把这个新基准定名为BeyondArena，并同期出了个用于数据整理的配套器具DataFoundry。
、为什么现存评测程序让东说念主不定心
现存的表格机器学习基准测试，大多数王人有个共同的假定：西宾数据和测试数据来自同个散布，也就是立同散布（IID）。用平常的话说，就是"往时和将来长得神色"。
但现实中有两类非经常见的情况破了这个假定。类叫"时序分裂"：你用往时的数据西宾模子，然后预计将来的效能。比如用2022年之前的来去纪录预计2023年的行径，简略用历史风物数据预计来岁的降水量。这时候，测试集里的样本在时间上王人晚于西宾集，模子不成"偷看"将来。若是你用立地分割来评估这类任务，你实验上是让模子提前知说念了些"将来"的数据散布，评估效能就会虚。
二类叫"分组分裂"：你的数据按照某个实体来分组，比如按病院、按国、按用户。西宾集和测试集不成有同个病院的数据，不然模子会"相识"这病院，在测试时推崇出，但到了新病院却塌蒙眬。具体地说，有些任务是"每组个标签"（比如判断某个客户举座上是不是客户，依据是他的一起来去纪录），有些任务是"每札纪录个标签"（比如预计某个学生的检修收货，这个学生地点的学校在西宾时从未见过）。这两类任务对模子的要求截然有异。
盘考团队还杰出指出，之前也有些尝试拓展评测范围的使命，比如TabReD注于时序数据，TextTabBench注于含笔墨的表格数据，PMLB-Mini注于小样本数据。但这些使命各自强，使用不同的代码框架和评估程序，致盘考社区相称碎屑化，不同使命的效能根底没法径直比拟。
BeyondArena的方向，就是把这些碎屑整到个统的框架里，隐秘IID、时序、分组三种任务类型，隐秘从100札纪录到100万札纪录的多样数据界限，隐秘低维和维特征，以及包含文本特征和基数类别特征的情况，还横跨医疗、金融、营业、生物、工业等多个应用域。
二、从1128个数据集里精挑细选：DataFoundry和142个精华数据集
盘考团队作念的件大事，是诞生个质地的数据集。他们的起始是1128个来自21个已有基准测试和公开数据仓库的数据集，包括UCI机器学习仓库、Kaggle、OpenML、HuggingFace等平台上的数据。
筛选过程相称严苛，分为四说念关卡。关是去重：好多数据集天然名字不同，其实开始样，仅仅被不同的东说念主上传到不同的平台。盘考团队逐雅致每个数据集的原始开始，剔除相通的，保留了759个。二关是剔除"少样本"任务：若是西宾数据不及100条，这类任务需要不同的评估法（比如期骗大言语模子作念少样本学习），不在本盘考范围内。三关是证实是否来自信得过的预计任务：好多数据集天然是表格体式，但它们的原始任务并不是程序的分类或转头预计，比如率预计（需要稀奇的考据契约）、荐排序任务（属于信息检索域）、时间序列预计（需要另套考据逻辑）。四关是判断是否代表真是天下的应用：东说念主工智能生成的数据、来自详情函数的数据、图片向量化后的数据（比如把ImageNet的图片压扁成表格，但昭着该用图像模子来处理）、存在严重伦理问题的数据集（比如某些波及特定族裔的医疗数据，其社区已明确反对用于机器学习盘考），王人被摈斥在外。
经过这四关，终保留了142个数据集，约占原始集的12.6。
值得提的是，通盘筛选过程依靠东说念主工审查。盘考团队也尝试过用AI代理来自动化这个过程，但发现果很差——主要原因是数据平台上好多数据集空匮饱和的文档纪录，AI根底莫得饱和的信息作念出正确判断，还会产生幻觉和伪善断。是以终，他们选拔了笨但可靠的式：每个数据集王人有东说念主类亲身审查，并把审查过程和有筹办情理纪录在DataFoundry的JupyterNotebook里，公开透明、可复现。
这142个数据集的组成相称丰富。从任务类型看，103个是IID任务，21个是时序任务，18个是分组任务。从问题类型看，73个是二分类、44个是转头、25个是多分类。从界限看，从唯有155札纪录的极少据集，到过100万札纪录的大数据集，王人有隐秘。从域看，医疗健康（38个）、营业营销（33个）、金融（18个）、生物（13个）等王人有代表。从特征类型看，大多数数据集以数值和类别特征为主，但也有16个包含文本特征、30个包含基数类别特征（即某列可能有几十甚而上千个不同取值，比如城市名、药品名）。
这142个数据集的处理过程相似经过全心设想。盘考团队对每个数据集进行了程序化处理：统数据递次（CSV、Parquet等），统特征类型标注（数值、类别、日历、文本），处理缺失值（把用-1、999等代理值默示的缺失转机为信得过的NaN），对于日历特征提真金不怕火特意旨的数值默示（比如星期几、月份、用样条函数编码的周期）。对于时序任务，他们还要仔细搜检每列是否存在"将来信息浮现"——即某个特征在预计时实验上还不存在，不成被模子使用。
三、11个模子、142个数据集、数十万次实验：评测设想的每个细节
盘考团队评测了11个模子通化光面钢绞线，可以分为四大阵营。
阵营是表格基础模子（TFM），包括TabPFN-2.6、TabICLv2和TabDPT。这类模子的中枢特色是"高下体裁习"（In-ContextLearning）：不需要针对特定数据集微调权重，径直把西宾数据"塞"给模子，它就能在理时间骗这些数据作念预计，有点像个博物洽闻的，看眼你的数据就能给出判断。盘考团队对这三个模子只评测了这种"调参"的使用式，不作念针对特定数据集的微调，因为方向是评估它们手脚"预西宾通用模子"的泛化智力。
二阵营是梯度擢升有筹办树（GBDT），包括XGBoost、LightGBM和CatBoost。这是表格数据域强的传统法，在工业界和Kaggle竞赛中永远占据主地位。
三阵营是度学习MLP，包括RealMLP和TabM。这类模子是门为表格数据设想的神经网罗，结构比基础模子苟简，但加入了好多针对表格数据的用化妙技。
四阵营是基线模子，包括立地丛林、端立地树和线/逻辑转头，手脚参照基准。
对于GBDT和MLP，盘考团队评测了三种使用式：默许参数（开箱即用）、调参后（用立地搜索跑25组配置）、调进入集成（把多个配置的预计效能组起来）。对于基础模子，预应力钢绞线只评测高下体裁习式，不调参。
西宾和评估的策画支出相称纷乱。每个数据集字据界限不同，使用不同相通次数的交叉考据：对于不及500条西宾样本的极少据集，用5相通5折交叉考据（共25次西宾和评估）以避过拟调参；对于中等界限数据集用8折交叉考据；对于时序数据，手动成就多个时间分割点来模拟真是部署场景；对于分组数据，使用基于分组的交叉考据，确保同实体不会同期出当今西宾集和考据集。
TabPFN-2.6和TabDPT由于理本钱，只在西宾样本不外10万条的数据集上驱动。TabDPT基于检索式理，对于100万样本的数据集在交叉考据下需要800万次前向传播，在现存策画预算下不可行。对于这两个模子在大数据集上缺失的效能，用默许立地丛林的收货来填充。
评估意见的选拔也经过仔细考量。二分类用ROCAUC（对阈值选拔不解锐），多分类用对数蚀本（种"严格意旨上的好分数轨则"，能真是响应概率预计质地），转头用均根罪过（接近实验业务方向）。所罕有据集的分数通过Elo评分和"可改造"（Improvability）两个意见汇总，前者访佛象棋排行，后者预计模子与模子的差距百分比。通盘实验揣测破耗约5万好意思元，破钞约16.25年的"墙钟时间"（即若是单线程跑完悉数实验需要的时间）。
四、中枢发现：基础模子在那处赢，在那处输
当今来到重要的部分：这些模子到底推崇如何？
从举座排行来看，调进入集成后的RealMLP以Elo分数1282排行，TabPFN-2.6默许花式以1224排行二，调进入集成的TabM（1210）和CatBoost（1208）紧随后来，TabICLv2默许花式（1205）也置身前五。看到这里，基础模子似乎推崇十分可以——TabPFN-2.6和TabICLv2在调参的情况下，果然能和调进入集成的传统模子旗饱读十分，这说明它们照实有很强的开箱即用智力。
但当盘考团队按照不同子基准来分析时，画风发生了戏剧的飘零。
在IID数据上，基础模子占据统地位。TabICLv2在103个IID数据集上的Elo远于其他模子，即等于调进入集成的传统模子也难以匹敌。这与之前的盘考论断致：基础模子在程序的、立同散布的表格预计任务上推崇出。
但在时序数据（21个数据集）和分组数据（18个数据集）上，场所翻转。调进入集成的RealMLP成为时序和分组子基准的强选手，基础模子的Elo分数权贵下跌，甚而在某些情况下不如调参的XGBoost和CatBoost。这意味着，当数据不再满足"往时和将来神色"的假定时，基础模子的势大幅缩水。
从特征维度看，在低维数据（特征数不外100列）上基础模子依然先，但在维数据（过100列）上，调进入集成的RealMLP胜筹。
在含文本特征的数据集上（16个），调进入集成的RealMLP推崇好——这是因为盘考团队的预处理经由把文本特征用Qwen3-Embedding-8B大型言语模子编码成32维向量，传统模子能很好地期骗这些向量，而基础模子的预西宾并莫得针对这类特征作念杰出化。
在含基数类别特征的数据集上（30个，至少有列类别数过50），CatBoost（调进入集成）推崇强。CatBoost正本就是门为处理类别特征设想的，其特的有序方向编码机制在这类数据上有势。
五、考据实验：为什么每个评测细节王人不成淘气
除了主要论断，盘考团队还作念了多半"消融实验"——即通过蜕变评测成就的某个细节，来考据主要论断是否肃肃，以及每个设想选拔是否理。
先是对于外部分割（西宾集/测试集如何分手）的问题。盘考团队用两个分组数据集作念了实验：若是把分组任务的测试集按照IID式（立地抽取）而非按分组分手，模子排行会发生严重污蔑（Kendallτ分别为0.49和0.60，1.0默示调换），并且某些任务会变得简直"过于苟简"，悉数模子王人能接近，法区分模子劣。这说明注解了使用正确的分割式对评测效能的弥留。
其次是对于里面交叉考据式的问题。对于极少据集（不及500条西宾样本），盘考团队用"5相通5折交叉考据"而非苟简的"8折交叉考据"来作念参数调。实考据明，5×5的案在悉数模子上王人取得了好的终测试收货，尤其对RealMLP的擢升为权贵，因为这类模子在调参时容易"过拟"到里面考据集。
三是对于非IID任务的里面考据式。盘考团队对时序和分组任务使用了与任务类型匹配的里面考据分割（时序任务用基于时间分箱的折叠，分组任务用基于分组索引的折叠），而不是苟简的立地分割。实考据明，使用匹配的里面考据分割平均能擢升终测试收货，对LightGBM和线模子的擢升尤为权贵。
四是对于分组数据的预处理。盘考团队为标签按组的任务（即通盘组分享个标签）设备了种"分组编码"：对每个组的悉数样本进行统计聚（均值、程序差、小值、大值、后个值等），然后选拔差大的50个聚特征，用这50维向量替换原来的组索引列。实验涌现，这种预处理对大多数模子有匡助，但对TabPFN-2.6反而有负面影响——加了这个预处理后TabPFN-2.6反而推崇差。这标明TabPFN-2.6对这类东说念主工构造特征的适应不如传统模子，也为将来的盘考留住了个酷爱的问题。
五是对于文本编码的选拔。盘考团队比拟了用Qwen3-Embedding-8B（大型言语模子编码）和用TF-IDF（经典文本统计法）来处理文本特征。效能发现，对于平均字符数不外50的"漫笔本"，Qwen3好；但对于平均字符数过50的"长文本"，TF-IDF反而好。不外，不同编码式对模子排行的影响不大，说明主要论断是肃肃的。盘考团队建议将来应该把文本编码式纳入参数搜索空间。
六是对于概率校准对对数蚀本的影响。对于多分类任务，模子输出的概率需要精良校准才能得到低对数蚀本。盘考团队过后给悉数模子的预计效能加上了结构化矩阵缩放（SMS）校准，发现大多数模子（尤其是树模子）在加了校准后得分权贵擢升，但TabPFN-2.6和RealMLP加校准后反而变差——说明这两个模子自己也曾有精良的概率校准机制。盘考团队建议将来的基准测试应该默许对其他模子启用概率校准。
六、基准测试自己也需要"省着用"：BeyondArena-Core的设想
驱动通盘BeyondArena基准测试的本钱：一起实验加起来需要约16.25年的单线程策画时间，总破耗约5万好意思元。为了让策画资源有限的盘考东说念主员也能复现部分效能，盘考团队设想了两个精简版块。
TabArena-Lite的式（来自同组的之前使命）是只取每个数据集的个分割点来评估，这么能把策画量缩小到原来的约1/9，并且对全局模子排行的影响很小。但污点是，针对单个数据集的评估会变得很不牢固——有些数据集可能因为某次分割效能未必很好或很差，致单个数据集上的模子排行失真。
BeyondArena-Core则灵敏：它字据每个数据集里面不同分割点效能的干系，用斯皮尔曼-布朗预计公式策画出"达到牢固方向Φ=0.8需要些许个分割点"，然后只为那些信得过需要多分割点才能牢固的数据集保留屡次评估，其他数据集则减少。这么，举座策画量缩小到原来的约1/5，但单个数据集的评估牢固比Lite版块擢升了2.3倍。盘考团队建议：若是只需要评释全局排行，用Lite版块就够了；若是要分析哪些模子在哪些数据集上推崇好，应该使用Core版块。
七、还有哪些被冷漠的细节
在评测过程中，盘考团队还揭示了几个之前从未被系统盘考过的风物，值得杰出随和。
对于基础模子的理时间：TabICLv2和TabPFN-2.6的理时间远于传统模子（比CatBoost慢约10-100倍），这在需要低延伸及时预计的应用场景中是不可冷漠的代价。盘考团队展示了"可改造vs理时间"的Pareto前沿，发现CatBoost（调进入集成）在理时间上占据主地位，而RealMLP（调进入集成）能以的预计质地换取较的理时间本钱。
对于早停机制：现存的表格基础模子不相沿早停（即在出时间预算时自动罢手并复返现时佳效能）。盘考团队指出这是基础模子在工程实用上的个弱势，并有另篇配套盘考门探究了如何为基础模子添加早停相沿。
说到底，这篇论文的中枢孝顺可以用句话抽象：它用个真是、的科场，重新考了遍那些宣称我方是"选手"的表格基础模子，得出了个既有激励意旨又值得警惕的论断——这些模子在"碧波浩淼"的小界限IID任务上照实很好坏，但在"海潮倾盆"的现实任务眼前，它们还需要延续成长。
对普通用户来说，这意味着在选拔机器学习器具时，信得过弥留的不是某个模子在程序测试集上的排行，而是它在你我方的任务场景下的推崇。若是你的数据是历史积攒、定技巧流动的（比如金融来去、用户行径日记），简略你需要把模子广到新的病院、新的城市、新的客群，那么不要盲目笃信基础模子的宣传，经过全心调参和集成的传统梯度擢升树模子经常才是可靠的选拔。
这个盘考也为AI域的盘考者建议了明确的攻坚向：如何让表格基础模子在大界限数据上、在非IID场景下鲁棒、在基数类别特征眼前不昆季措——这些王人是将来几年信得过有价值的盘考问题。
感兴致的读者可以通过arXiv编号2606.30410获得齐全论文，干系代码和数据集则可以在tabarena.ai/code和GitHub上的TabArena/data-foundry仓库找到。
Q&A
Q1：BeyondArena基准测试和以前的表格数据基准测试有什么区别？
A：以前的基准测试大多只测"立同散布"（IID）场景，也就是西宾数据和测试数据来自同个立地散布。BeyondArena增多了时序任务（用往时预计将来）和分组任务（广到未见过的新实体），同期隐秘了从百札纪录到百万札纪录的多样界限，以及含文本特征、基数类别特征的多种数据类型，接近真是业务场景。
Q2：表格基础模子（TFM）在什么情况下比传统梯度擢升树有势？
A：表格基础模子在数据量小（不及1万条）、特征维度低、数据满足立同散布假定的任务上走漏占，尤其是在不调参、开箱即用的情况下推崇出。但当数据量过10万条、含多半基数类别特征、简略数据具有时序/分组结构时，全心调参和集成的传统模子（如RealMLP、CatBoost）经常胜筹。
Q3：DataFoundry是什么，普通盘考者可以用吗？
A：DataFoundry是这项盘考配套出的Python器具框架和元数据表率，用于表率化地整理和纪录表格数据集。它包含数据搜检、西宾测试分割、元数据花式等，每个数据集对应个可复现的JupyterNotebook。这套器具和142个精选数据集的处理代码王人已开源，任何盘考者王人可以费使用，网址是github.com/TabArena/data-foundry。手机号码：13302071130相关词条:储罐保温 异型材设备 钢绞线厂家 玻璃丝棉厂家 万能胶厂家
1.本网站以及本平台支持关于《新广告法》实施的“极限词“用语属“违词”的规定通化光面钢绞线，并在网站的各个栏目、产品主图、详情页等描述中规避“违禁词”。
2.本店欢迎所有用户指出有“违禁词”“广告法”出现的地方，并积极配合修改。
3.凡用户访问本网页，均表示默认详情页的描述，不支持任何以极限化“违禁词”“广告法”为借口理由投诉违反《新广告法》，以此来变相勒索商家索要赔偿的违法恶意行为。