Hovedpointen i udmeldingen
MarkTechPost skriver, at Prior Labs har udgivet TabPFN-3.5, en tabulær foundation‑model, som forudsiger i et enkelt forward‑pass uden per‑datasæt træning eller tuning. Ifølge MarkTechPost rapporterer Prior Labs, at modellen opnår førsteplads på tværs af syv tabulære benchmarks, og at en separat demonstration viser en bedre score end vinderløsningen i Kaggles Otto‑konkurrence fra 2015. MarkTechPost anfører, at vægtene kan køres lokalt til research, evaluering og Kaggle, mens produktionsbrug kræver Prior Labs’ API eller en kommerciel licens.
Det centrale datapunkt, som fremhæves af MarkTechPost, er en privat leaderboard‑score på 0,375 i Otto‑konkurrencen. Ifølge samme kilde slår det den oprindelige vinderløsning, som er rapporteret med 0,382. Påstanden kobles til en offentlig Kaggle‑notebook og udsagn fra Prior Labs, hvilket MarkTechPost refererer.
Modelidéen ifølge MarkTechPost
Ifølge MarkTechPost er hovedmekanikken i TabPFN‑linjen, at modellen er prætrænet og kan lave in‑context forudsigelser på tabulære data i ét modelkald. MarkTechPost fremhæver, at der ikke kræves særskilt træning eller hyperparametertuning pr. datasæt. Det stilles op som en anden tilgang end klassiske AutoML‑forløb, hvor der ofte bygges og tunes mange modeller på hvert enkelt datasæt.
MarkTechPost positionerer TabPFN‑3.5 som den nyeste version i familien og angiver, at resultaterne i artiklen stammer fra Prior Labs’ materiale og en offentlig demonstration på Otto‑datasættet. Den detaljerede arkitektur og eventuelle ændringer under motorhjelmen ud over forward‑pass‑paradigmet beskrives ikke i dybden i den tekst, som der henvises til.
Otto‑konkurrencen og de konkrete tal
Kaggle‑konkurrencen Otto Group Product Classification Challenge løb i 2015. Ifølge MarkTechPost deltog 3.505 hold om 10.000 dollar i præmier. Opgaven var at klassificere produkter i ni kategorier baseret på 93 obfuskede count‑features, og scoringen var multiclass log loss, hvor lavere er bedre. Disse oplysninger er også i tråd med den officielle konkurrenceside på Kaggle.
MarkTechPost skriver, at den oprindelige vinderløsning kom fra Gilberto Titericz og Stanislav Semenov, at begge på et tidspunkt har været nummer 1 på Kaggles grandmaster‑rangliste, og at deres løsning var en multi‑layer stack af 36 modeller bygget på håndlavede features. Over for dette angiver MarkTechPost, at TabPFN‑3.5, med standardindstillinger på rå data, opnår 0,375 på det private leaderboard.
Attribution og reproducerbarhed
Påstanden om 0,375 stammer ifølge MarkTechPost fra Prior Labs’ udsagn og den refererede, offentlige Kaggle‑notebook. MarkTechPost anfører desuden, at en kørsel tog cirka ét minut på et RTX PRO 6000‑kort, og at modellen var prætrænet udelukkende på syntetiske data uden at have set Otto‑datasættet eller andre Kaggle‑datasæt. Alle disse elementer gengives som rapporterede udsagn.
MarkTechPost henviser til, at en notebook er tilgængelig for reproduktion. Scoretallet refereres som en privat leaderboard‑score, hvilket betyder, at ekstern verificering afhænger af indsendelser i Kaggles system. Denne artikel følger MarkTechPosts attribution og kan ikke selv verificere private leaderboard‑resultater.
Benchmarkresultater som refereret
MarkTechPost skriver, at TabPFN‑3.5 tager førsteplads på syv benchmarks: TabArena, BeyondArena, STRABLE, MulTaBench, RelArena‑α, TALENT og ScoringBench. Ifølge samme kilde er det ikke altid basismodellen, der ligger øverst. Variationen TabPFN‑3.5‑Thinking angives at have førstepladsen på TabArena, BeyondArena, STRABLE og MulTaBench, mens et internt TabPFN‑Rel‑harness‑preview skulle tage RelArena‑α.
For TabArena – beskrevet af MarkTechPost som et løbende benchmark på 51 datasæt – nævnes det, at Thinking‑varianten når 1910 Elo, og at basismodellen scorer 1866. Det angives også, at TabFM+ ligger på 1823. Disse tal gengives her, som de er refereret af MarkTechPost med henvisning til Prior Labs’ materiale.
AutoGluon‑historik som bagtæppe
MarkTechPost citerer Nick Erickson (medskaber af AutoGluon og forsker hos Prior Labs) for, at AutoGluon placerede sig som nummer 23 i 2020‑papiret, nåede nummer 14 i 2023 med version 1.0 og nummer 9 i august 2026 med version 1.6. Ifølge MarkTechPost beskriver Erickson den sidste forbedring som den hårdeste del af strækningen mod vinderens 0,382.
Disse historiske placeringer refereres direkte hos MarkTechPost og præsenteres som kontekst for, hvor vanskeligt springet til vinderens score har været – og dermed hvorfor et rapporteret privat leaderboard‑resultat på 0,375 er opsigtsvækkende, hvis det kan reproduceres.
Hvad der er sagt om licens
MarkTechPost angiver, at vægtene er åbne til lokal kørsel for research, evaluering og Kaggle, mens produktionsbrug kræver Prior Labs’ API eller en kommerciel licens. Formuleringen gengives fra MarkTechPosts gennemgang af Prior Labs’ kommunikation. MarkTechPost leverer ikke den fulde licenstekst.
Denne artikel gengiver den licensopsummering, MarkTechPost bringer. For præcis forståelse af tilladelser og begrænsninger henvises til Prior Labs’ officielle licensdokumentation.
Hastighed, datagrundlag og notebook
Ifølge MarkTechPost tog en Otto‑kørsel cirka ét minut på et RTX PRO 6000‑kort, og TabPFN‑3.5 var prætrænet på syntetiske data uden at have set Otto eller andre Kaggle‑datasæt. Artiklen henviser også til en offentlig Kaggle‑notebook, som ifølge MarkTechPost skal gøre resultatet reproducerbart i praksis.
Disse punkter gengives med klar attribution til MarkTechPost og Prior Labs’ udsagn. Uafhængig verifikation fremgår ikke af kilderne her; læsere, der ønsker at afprøve tallene, må følge de refererede materialer.
Hvorfor nyheden er relevant – inden for kildernes ramme
Hvis det, MarkTechPost refererer, holder, peger resultaterne på en arbejdsgang, hvor en prætrænet model kan levere konkurrencedygtige tabulære forudsigelser uden datasæt‑specifik træning. Det er den praktiske konklusion, MarkTechPost lægger vægt på: et muligt skifte mod hurtigere baseline‑etablering og færre tuningsløb pr. datasæt.
Pointer om praksis i denne sektion er afledt af MarkTechPosts beskrivelse af modelparadigmet og de refererede resultater. Der tilføjes ikke selvstændige vurderinger eller råd her.
Forbehold inden for kildegrundlaget
MarkTechPost markerer Otto‑scoren som en privat leaderboard‑score og kobler den til en offentlig notebook. Det gør, at interessenter, som vil validere tallet, bør gennemgå den refererede notebook og følge de officielle Kaggle‑processer for at se egen score i praksis.
Benchmark‑påstandene, herunder varianten TabPFN‑3.5‑Thinking på udvalgte tabulære benchmarks samt de angivne Elo‑tal, gengives som rapporteret af MarkTechPost med henvisning til Prior Labs’ materiale. En fuld vurdering forudsætter adgang til de komplette benchmark‑protokoller og versionshistorik hos de respektive benchmarks, hvilket ikke er indeholdt i de kilder, der refereres her.
