Prior Labs发布TabPFN-3.5：零调优击败2015年Kaggle Otto竞赛冠军方案

零调优即达SOTA：Otto竞赛历史性突破

Prior Labs近日发布TabPFN-3.5，其核心能力在于对任意表格数据执行单次前向推理即可完成预测，全程无需针对具体数据集进行训练、超参调优或特征工程。在著名的2015年Kaggle Otto集团产品分类挑战赛（93维脱敏计数特征、9分类任务）中，TabPFN-3.5在私有测试集上取得0.375的多类别对数损失分，显著优于当年冠军方案（0.382）。该结果基于原始输入数据与完全默认配置达成，仅耗时约1分钟（RTX PRO 6000 GPU），且模型预训练全程仅使用合成数据，从未接触Otto或任何Kaggle真实数据集。相关可复现Kaggle Notebook已公开。

七项基准全面领先

技术报告显示，TabPFN-3.5系列在TabArena、BeyondArena、STRABLE、MulTaBench、RelArena-α、TALENT和ScoringBench共7个权威表格基准测试中均位列第一。其中，TabPFN-3.5-Thinking版本包揽TabArena、BeyondArena、STRABLE与MulTaBench榜首；内部定制版TabPFN-Rel在RelArena-α胜出。在包含51个数据集的动态基准TabArena中，Thinking版本Elo评分为1910，基础模型为1866，均高于TabFM+（1823）；Prior Labs称，基础模型在Elo得分上比AutoGluon 1.6 extreme高130分，且推理耗时仅为后者的五分之一。BeyondArena覆盖142个多样化数据集（含分组、时序、宽表、文本丰富及高基数场景），TabPFN-3.5整体领先前代冠军约150 Elo点，但在分组、时序及大数据子集上，经调优与集成的传统MLP仍保持优势。

架构升级：更宽、更简、更鲁棒

TabPFN-3.5底层实现多项关键改进：模型维度从512扩展至1024，参数量升至2.2亿（较TabPFN-3分类版5300万增长超三倍）；采用单一多任务检查点，统一支持分类与回归；引入新型单元编码机制——数值经学习型傅里叶特征与上下文内经验累积分布函数（ECDF）秩变换，后者对单调变换（如对数缩放）保持不变；大幅简化预处理流程，移除分位数变换、鲁棒缩放与SVD特征；支持最大100万行样本，推荐特征数6000、上限20000；合成数据预训练策略转向侧重高基数、宽表与分组结构；尽管参数量增至约4倍，KV缓存规模基本维持不变，单行预测速度与TabPFN-3持平，但大规模训练集上基础模型推理速度约为TabPFN-3的50%。

多版本协同演进

TabPFN-3.5家族包含四个变体：基础版（TabPFN-3.5）开放权重，2.2亿参数，默认集成8个估计器；轻量版TabPFN-3.5-Fast（Alpha）开放权重，8400万参数，推理速度最高提升6倍；企业专属版TabPFN-3.5-Plus仅限API与企业授权，新增原生文本处理与FP8注意力支持；推理增强版TabPFN-3.5-Thinking不依赖大语言模型、真实数据或搜索算法，通过额外计算资源投入提升性能，推理速度可达TabPFN-3-Thinking的12倍。

商用路径明确

所有版本均提供非商用开放权重，适用于学术研究、模型评估及Kaggle竞赛；生产环境部署必须通过Prior Labs官方API或获取商业许可证。技术报告与详细文档已同步发布。