TabPFN-3.5

面向真实世界表格数据的机器学习基础模型

LLM大模型部分免费

访问官网 ↗

项目简介

TabPFN-3.5 是由 Prior Labs 发布的表格数据基础模型（Tabular Foundation Model），专门解决真实业务场景中常见的复杂表格数据处理问题。与传统机器学习方法假设特征独立、数据干净不同，TabPFN-3.5 针对数据存在关联性、高维度、文本混合等困难场景进行了专项优化，是当前准确率最高、扩展性最强的表格数据基础模型。

该模型在 TabArena 和 BeyondArena 两大基准测试中均位列第一，在包含 142 个数据集的 BeyondArena 评测中，TabPFN-3.5 领先第二名约 150 个 Elo 百分点。

核心功能

1. 零样本表格预测

TabPFN-3.5 实现了真正的零样本推理能力，用户无需手动调参或训练模型，直接将表格数据输入模型即可获得高质量预测结果。在多项真实业务数据集上，其准确率可媲美经验丰富的数据科学家耗时一周手工调优的模型。

2. 处理混乱真实数据

传统表格模型要求数据独立、特征干净，而现实业务数据往往存在以下挑战：保险数据关联理赔结论、交易数据连接商户与客户信息、传感器数据跨越不同时空维度。TabPFN-3.5 在这些困难数据场景下表现显著优于传统方法。

3. 多模态 Thinking 模式

TabPFN-3.5-Thinking 版本针对需要更高准确率的场景进行了优化，在 TabArena 上比基础版本再提升 44 个 Elo 点，在 BeyondArena 上提升约 20 个 Elo 点。该版本特别擅长处理时间序列和分组数据。

4. 极速推理版本

TabPFN-3.5-Fast 运行速度比基础版本快 6 倍，适合对延迟敏感的生产环境应用。

5. Plus 版本增强处理

TabPFN-3.5-Plus 针对文本丰富型数据集（包含产品描述、客户评论或内部备注的表格）进行了专门优化，能够从文本字段中有效提取预测信号。

技术实现

基础架构

TabPFN-3.5 基于 Transformer 架构的表格基础模型，通过大规模表格数据预训练获得通用表格理解能力。与传统梯度提升树（Gradient Boosting）相比，TabPFN 无需针对每个数据集单独训练，而是通过模型内部已习得的表格模式进行预测。

核心创新

注意力机制适配表格结构：将表格的行列关系通过特殊注意力模式编码，使模型能够理解单元格间的上下文依赖
异构特征统一编码：将数值型、分类型、文本型特征映射到统一的高维向量空间
置信区间输出：模型输出预测结果的同时提供置信区间估计，对风险评估类应用极为重要

性能验证

在 TabArena 基准（51个数据集、27种方法）中，TabPFN-3.5 位居首位。在 BeyondArena（142个数据集，涵盖高维、分组、时序、高基数及文本丰富数据）中，领先第二名约 150 个 Elo 点。在非大型数据集上，TabPFN-3.5 在文本丰富、高基数和高维数据场景分别领先最强基线约 250 个 Elo 点。

快速上手

第一步：获取 API 访问权限

访问 Prior Labs 官网注册账号获取 API Key，9月15日至29日期间所有 API 和 MCP 用户享受 5 折优惠。

第二步：选择模型版本

根据需求选择适合的版本：基础版（均衡）、Fast 版（低延迟）、Plus 版（文本丰富数据）、Thinking 版（最高准确率）。

第三步：调用 API

通过 Python 代码接入：

from priorlabs import TabPFN

model = TabPFN(api_key="your-api-key")
# Plus版本适合文本混合数据
predictions = model.predict(
    data=your_dataframe,
    version="plus"
)