表格数据通用智能新范式：LimiX-2
推荐指数 69.0 NO. 020 · 2026.09.18
upvotes87comments4
为什么值得看
LimiX-2 提出上下文机制网络（CMN），将表格数据的预测目标从传统条件概率 p(y|x,D) 改为学习联合分布 p(x,y|D)，用上下文条件掩码建模预训练。对做结构化数据智能的工程师来说，这可能是超越传统 PFN/TabPFN 路线的新基座。
媒体预览
编辑判断
传统表格学习方法（如 TabPFN、TabR）把问题框定为给定上下文预测标签，本质还是监督学习的变体。CMN 的关键转向是学数据怎么生成的，而非只学映射关系，这让模型能处理缺失值推断、异常检测、因果发现等更广义的任务。
论文提到基于 scaling law 做了模型和数据扩展，但 87 upvotes 仅 4 条评论说明社区还在消化，尚未形成共识。落地层面需关注两点：合成数据预训练是否足够覆盖真实业务场景的分布偏移，以及 CMN 的推理成本相比传统梯度提升树（XGBoost/LightGBM）高多少倍。
做金融风控、推荐系统特征工程的团队可以跟踪其开源进展，但短期内不建议替换现有管线。