TabPFN-3.5 i Causilo: dos números u el mateix dia

Dos equips publiquen el mateix dia un model per a la dada amb què treballa tothom

El 15 de setembre de 2026 en van aparèixer dos. Prior Labs, el laboratori que desenvolupa la família TabPFN, va publicar TabPFN-3.5; Nums AI, l'empresa autora de Causilo, va estrenar el seu. Tots dos reparteixen els pesos a Hugging Face, la plataforma nord-americana on es publiquen i es descarreguen els models oberts, i tots dos reserven l'ús comercial a una llicència a part.

La coincidència importa perquè la taula és el format amb què treballa de debò gairebé qualsevol empresa: clients, factures, sensors, historials. Aquest terreny feia anys que estava en mans de biblioteques que s'han d'entrenar cas per cas, i ara té models preentrenats.

Tots dos diuen ser primers en el mateix banc de proves

Prior Labs declara el primer lloc en set bancs de proves, però de cinc —STRABLE, MulTaBench, RelArena-α, TALENT i ScoringBench— només hi ha aquesta declaració de l'empresa, sense cap xifra. De BeyondArena sí que en dona números, 142 conjunts de dades i uns 150 punts d'Elo per davant de l'anterior líder, i amb ells la reserva que les xarxes neuronals ajustades i combinades encara li guanyen a les llesques agrupades, temporals i de dades grans. A TabArena sí que dona números: 1.910 d'Elo per a TabPFN-3.5-Thinking i 1.866 per al model base, per davant dels 1.823 de TabFM+, de Google.

Nums AI publica la seva pròpia taula, amb 816 particions de TabArena, i allà Causilo marca 1.792,9 d'Elo general davant dels 1.764,4 de TabFM i els 1.636,2 de TabPFN-3. La seva afirmació textual és «el millor Elo de TabArena entre models individuals»: comptant també els conjunts de sistemes, queda tercer de 88 entrades.

Aquí hi ha el detall que decideix la lectura de tota la resta: el rival de Causilo és TabPFN-3, la versió anterior, no el TabPFN-3.5 que es va anunciar aquell mateix dia. El banc és el mateix —TabArena, 51 conjunts, el flux oficial— i fins i tot comparteixen rival, perquè tots dos mesuren contra TabFM, de Google Research; el que canvia és el moment i, amb ell, la foto del camp contra la qual es compara cadascun. TabPFN-3.5 no s'ha enviat juntament amb Causilo, així que no hi ha cap mesura que els posi tots dos a la mateixa tanda, i dir quin guanya seria inventar-s'ho. On sí que xoquen de front és a ScoringBench: tots dos es declaren primers al mateix banc el mateix dia.

TabPFN-3.5 bat la solució que va guanyar l'Otto de Kaggle amb la configuració per defecte

El resultat amb què es presenta TabPFN-3.5 ve de Kaggle, la plataforma de competicions de ciència de dades propietat de Google. A la competició Otto va marcar 0,375 a la classificació privada, per davant del 0,382 de la solució que va guanyar el 2015 —en aquesta mètrica guanya el número més baix—, amb les dades crues, la configuració per defecte i al voltant d'un minut en una GPU RTX PRO 6000, sense haver vist mai aquest conjunt de dades.

Per dins són 220 milions de paràmetres davant dels 53 milions de la versió de classificació de TabPFN-3, un punt de control únic per a classificació i regressió, i escala fins a un milió de files, amb 6.000 característiques recomanades i fins a 20.000 admeses. S'entrena exclusivament amb dades sintètiques, dissenyades per primar taules amples, agrupades i d'alta cardinalitat, i estrena característiques de Fourier apreses i rangs ECDF en context.

Prior Labs afirma també que el model base supera AutoGluon 1.6 extreme —la biblioteca d'aprenentatge automàtic automatitzat impulsada per Amazon Web Services— per 130 punts d'Elo i en una cinquena part del temps. La família porta quatre peces: TabPFN-3.5, amb pesos oberts; TabPFN-3.5-Fast, en alfa, amb 84 milions de paràmetres i fins a sis vegades més ràpid; i Plus i Thinking, només per API o llicència d'empresa. Els pesos oberts són d'ús no comercial: per a producció cal l'API de Prior Labs o una llicència comercial.

Llegir-ne més: MarkTechPost — Prior Labs Releases TabPFN-3.5 ↗

Causilo es fa servir com scikit-learn i ensenya la seva factura de còmput

Causilo es maneja amb la interfície que coneix qualsevol que hagi tocat scikit-learn, però per sota funciona a l'inrevés: cridar `fit` no actualitza els pesos preentrenats, sinó que desa les files d'entrenament com a context per predir després en una sola passada. Admet fins a deu classes, arrays de NumPy i DataFrames de pandas, característiques categòriques i valors absents, i la versió 1.0.1 hi afegeix regressió de mediana i de quantils amb 999 quantils natius. Demana Python 3.10 a 3.12 i PyTorch 2.13 o superior, i corre en CUDA o en CPU.

La seva arquitectura va en tres fases —refinament, compressió en vectors fixos de 512 dimensions per fila i un bloc de predicció de 12 capes—, i la interacció entre files passa per quatre tokens latents amb atenció creuada en comptes d'autoatenció completa, que és el que li permet escalar linealment amb el nombre de característiques.

Nums AI publica a més el que costa executar-lo, i aquí la comparació torna a ser contra TabPFN-3: per cada 1.000 files en una GPU H100, Causilo ajusta en poc més de dos segons i mig i prediu en 0,251 segons, davant dels 4,18 i 0,686 de TabPFN-3, que a canvi se'n surt amb 0,88 GiB de memòria. A ScoringBench, l'empresa el situa primer en 101 conjunts de dades. El codi és Apache-2.0; els pesos, sota una llicència pròpia que només permet recerca i avaluació.

Llegir-ne més: MarkTechPost — Nums AI Releases Causilo ↗