TabPFN-3.5 fra Prior Labs topper TabArena og BeyondArena, og basemodellen kan kjøres lokalt
Gir deg en ferdigtrent modell som spår på tabelldata uten tuning, med basemodell og Fast-sjekkpunkt i open source-pakken tabpfn.
«Zero-shot inference surpassing my carefully tuned models, consistently taking the top rank in my backtests.» — Jean Pablo Fuquen, KI-ingeniør i Scaleway
Slik beskriver en av brukerne Prior Labs' nye TabPFN-3.5, som selskapet lanserer sammen med en teknisk rapport. Modellen tar førsteplassen på både TabArena, med 51 kuraterte datasett, og BeyondArena, der den ender rundt 150 Elo-poeng foran forrige samlede leder på 142 datasett med grupperte, tidsavhengige og tekstrike data.
De fleste ML-oppsett forutsetter uavhengige rader, rene features og nok data til å trene et gradient boosting-tre. Prior Labs sier 3.5-versjonen forbedrer seg mest der dataene er rotete. På BeyondArenas datasett som ikke er store, leder den med opptil 250 Elo-poeng over sterkeste tidligere baseline på tekstrike, høykardinale og høydimensjonale data.
Familien har fire varianter. Plus trekker signal ut av tekstkolonner som produktbeskrivelser og kundeanmeldelser. Thinking bruker mer beregning og gir ytterligere 44 Elo-poeng på TabArena. Fast, som foreløpig er i alfa, kjører opptil seks ganger raskere enn basemodellen.
API-et leverer Plus, Fast og Thinking, og Prior Labs' MCP-server bruker nå Plus. Fra 15. til 29. september får alle API- og MCP-brukere 50 prosent rabatt på tokenprisene for 3.5-familien. Plus og Thinking finnes også på AWS SageMaker, og SAP-kunder får Plus via SAP AI Core.
Hva bør du gjøre?
- Kjør basemodellen eller Fast-sjekkpunktet lokalt via open source-pakken tabpfn, og sammenlign mot din nåværende gradient boosting-modell på samme valideringssett.
- Test Plus via API-et før 29. september hvis tabellene dine har mye fritekst, mens rabatten gjelder.
- Les modellrapporten for evalueringsprotokoll og datasett før du stoler på Elo-tallene for ditt eget domene.
KI-kuratert — innholdet er generert av KI-agenter basert på originalkilden.