信钰配资清华稳准智能联合发布LimiX-2，结构化数据基础模型登顶国际评测榜单

9月16日，稳准智能联合清华大学计算机系崔鹏教授，发布新一代数据大模型 LimiX-2，模型参数规模提升至400M。在TabArena、BCCO、TALENT三个国际主流结构化数据Benchmark中，LimiX-2总体Elo分数分别达到1935、1432和1506，均位于榜单第一，超过Google、SAP、Amazon等国际大厂的同类模型。

在TabArena、BCCO、TALENT三个国际主流结构化数据Benchmark中，LimiX-2 总体Elo分数分别达到1935、1432和1506，均位于榜单第一，超过Google、SAP、Amazon等国际大厂的同类模型。

LimiX-2 登顶国际主流Benchmark榜单

Elo是衡量模型综合能力的排名指标。TabArena、BCCO、TALENT是国际主流结构化数据模型评测基准，覆盖多类任务，用于评估模型在不同数据集上的泛化能力和预测性能，已成为当前结构化数据基础模型竞争的重要评价依据。

LimiX-2在TabArena上的回归、二分类、多分类Elo均为最优

这次模型能力升级主要沿着3条技术路线推进。

第一是上下文机制网络CMNs（Contextual Mechanism Networks），作为预测依赖关系的系统，将建模重点从预先指定的目标变量，转向变量之间的相互关联；

第二是在预训练阶段升级自动化合成数据的生成引擎；

第三是进一步Scaling，将模型参数规模扩大至400M。

LimiX团队提出上下文机制网络（CMNs），开辟从“目标预测”走向“结构发现”的结构化数据建模新范式。传统经典 PFNs以指定目标的预测分布为核心； CMNs 则将上下文数据的全变量联合依赖作为建模对象，不仅关注变量取什么值，更着眼于发现变量如何相互关联、共同构成怎样的内在结构。

这一范式转变重新确立了模型的学习目标。LimiX 通过上下文条件掩码建模（CCMM），在不同观测模式下组织跨变量监督，将变量关系推断确立为明确的预训练目标。模型不再仅为某个指定结果学习相关信息，而是通过多种条件预测，共同约束对全变量依赖结构的表达。

这一原则也贯穿网络架构。因而，LimiX 采用单元格级（Cell-Level）建模，以变量在各样本中的观测为基本表示单元，保留列身份、具体取值和缺失状态，支持跨变量、跨样本的信息交互。从数据表示、训练目标到网络计算，整体设计围绕联合依赖建模展开。

在这一框架下，分类、回归、缺失值填补等任务，被统一为对同一数据模型的不同查询。更重要的是，联合关系建模为结合因果假设开展因果骨架发现提供统计基础。CMNs所指向的，不只是更强的预测器，而是以联合建模为基础，以结构发现为方向，面向数据机制归纳的通用数据智能。

在训练数据上，LimiX-2升级了大规模自动化合成数据的生成引擎。结构化数据大量存在于企业内部系统，很难像互联网文本一样被大规模公开获取，因此TabPFN、Mitra等表格基础模型也普遍使用合成数据进行预训练。LimiX-2 可以自动生成线性、非线性、多变量交互、周期变化和噪声扰动等不同分布的数据，让模型在进入真实企业之前，就接触更多的数据结构和变量关系。

继去年11月，稳准智能发现并提出“结构化数据基础模型遵循Scaling Law”之后，此次新模型再次沿着这一技术路线，进一步将模型参数规模提升到400M。参数增至400M，将让LimiX所选技术路线在更大规模和尺度上得到验证，获得更强的泛化能力，因果关系规律的挖掘和稳定表达优势也能得到进一步的发挥。

除了各项榜单体现的分类、回归等预测能力外，LimiX-2在因果发现方面也展现出技术突破性。传统因果发现方法依赖专家先验或严格的统计假设，难以应对高维企业数据。LimiX-2采用上述一系列创新性技术路线后，在Sachs, UF，Causal Chamber等多个因果发现公开标准数据集上显著领先传统因果发现方法。

LimiX-2 在因果发现评测上显著领先

截至2026年世界人工智能大会，上一代LimiX已完成800余个结构化数据场景的通用性验证，并与60多个客户达成战略合作。此前在多个真实场景的验证中，LimiX把过去“一项任务训练一个专用模型”的传统机器学习方式，转变为由一个基础模型跨场景、跨数据集的通用预测能力。工艺参数优化、设备故障预测、电力预测、能耗优化和材料科学，都是目前较典型的应用方向。

跟LLM赛道发展类似，结构化数据基础模型即将迎来GPT3时刻，国际竞争烈度不断增强。Google、Amazon、SAP等多个国内外知名团队不断加速模型研发进程，LimiX等的中国技术团队也在持续打磨自创技术路线，并探索形成依托产业场景驱动模型迭代的中国模式。

稳准智能首席科学家崔鹏表示：“LimiX-2 的发布和此次Benchmark 成绩，是团队在结构化数据大模型方向持续探索的重要阶段性成果。我们仍将长期坚持这一技术路线，并不断提升模型对数据规律和变量因果关系的理解能力。未来，我们将继续推动模型在因果智能方向上的发展，助力人工智能更快速地从预测走向决策。

下载“北京日报”客户端阅读体验更佳哦

扫描二维码下载手机客户端

-->

分享到

发布评论文明上网理性发言，请遵守评论服务协议

未登录

0/200发布发布全部评论

0条

点击加载更多

欢迎下载“北京日报”客户端发表评论

相关阅读热门报道换一批推荐阅读换一批精彩视频换一批猜你喜欢滚动企业北京国内国际北晚社会文娱体坛旅游文史阅读深度产经调查互联网美食北晚健康消费北晚行业北晚网摘网站地图新闻评论深度理论视频图库悦读互联网财经文化体坛科教消费矩阵网摘东城区政府网站西城区政府网站朝阳区政府网站海淀区政府网站丰台区政府网站石景山区政府网站门头沟区政府网站房山区政府网站通州区政府网站顺义区政府网站大兴区政府网站昌平区政府网站平谷区政府网站怀柔区政府网站密云区政府网站延庆区政府网站市人大市政协市监察委市高级人民法院市人民检察院市政府办公厅市发展改革委市教委市科委市经济信息化局市民族宗教委市公安局市民政局市司法局市财政局市人力社保局市规划自然资源委市生态资源局市住房城乡建设委市城市管理委市交通委市水务局市农业农村局市商务局市文化和旅游局市卫生健康委市退役军人事务局市应急管理局市市场监督管理局市审计局市政府外办市国资委市广播电视局市文物局市体育局市统计局市园林绿化局市地方金融监管局市人防办市信访办市知识产权局市医保局京报媒体矩阵北京日报北京晚报北京青年报北京商报音乐周报新闻与写作北京日报客户端长安街知事艺绽北晚在线北京深读空间