TabPFN-3.5 y Causilo: dos números uno el mismo día

Dos equipos publican el mismo día un modelo para el dato con el que trabaja todo el mundo

El 15 de septiembre de 2026 aparecieron dos. Prior Labs, el laboratorio que desarrolla la familia TabPFN, publicó TabPFN-3.5; Nums AI, la empresa autora de Causilo, estrenó el suyo. Los dos reparten los pesos en Hugging Face, la plataforma estadounidense donde se publican y descargan los modelos abiertos, y los dos reservan el uso comercial a una licencia aparte.

La coincidencia importa porque la tabla es el formato con el que trabaja de verdad casi cualquier empresa: clientes, facturas, sensores, historiales. Ese terreno llevaba años en manos de bibliotecas que hay que entrenar caso por caso, y ahora tiene modelos preentrenados.

Los dos dicen ser primeros en el mismo banco de pruebas

Prior Labs declara el primer puesto en siete bancos de pruebas, pero de cinco de ellos —STRABLE, MulTaBench, RelArena-α, TALENT y ScoringBench— solo hay esa declaración de la empresa, sin cifra. De BeyondArena sí da números, 142 conjuntos de datos y unos 150 puntos de Elo por delante del anterior líder, y con ellos la salvedad de que las redes neuronales ajustadas y combinadas siguen ganándole en las rebanadas agrupadas, temporales y de datos grandes. En TabArena sí da números: 1.910 de Elo para TabPFN-3.5-Thinking y 1.866 para el modelo base, por delante de los 1.823 de TabFM+, de Google.

Nums AI publica su propia tabla, con 816 particiones de TabArena, y ahí Causilo marca 1.792,9 de Elo general frente a los 1.764,4 de TabFM y los 1.636,2 de TabPFN-3. Su reclamo textual es «el mejor Elo de TabArena entre modelos individuales»: contando también los conjuntos de sistemas, queda tercero de 88 entradas.

Ahí está el detalle que decide la lectura de todo lo demás: el rival de Causilo es TabPFN-3, la versión anterior, no el TabPFN-3.5 que se anunció ese mismo día. El banco es el mismo —TabArena, 51 conjuntos, el flujo oficial— y hasta comparten rival, porque los dos miden contra TabFM, de Google Research; lo que cambia es el momento y, con él, la foto del campo contra la que cada uno se compara. TabPFN-3.5 no se ha enviado junto a Causilo, así que no hay ninguna medición que los ponga a los dos en la misma tanda, y decir cuál gana sería inventárselo. Donde sí chocan de frente es en ScoringBench: los dos se declaran primeros en el mismo banco el mismo día.

TabPFN-3.5 bate con ajustes por defecto a la solución que ganó el Otto de Kaggle

El resultado con el que se presenta TabPFN-3.5 viene de Kaggle, la plataforma de competiciones de ciencia de datos propiedad de Google. En la competición Otto marcó 0,375 en la clasificación privada, por delante del 0,382 de la solución que ganó en 2015 —en esa métrica gana el número más bajo—, con los datos crudos, los ajustes por defecto y alrededor de un minuto en una GPU RTX PRO 6000, sin haber visto nunca ese conjunto de datos.

Por dentro son 220 millones de parámetros frente a los 53 millones de la versión de clasificación de TabPFN-3, un punto de control único para clasificación y regresión, y escala hasta un millón de filas, con 6.000 características recomendadas y hasta 20.000 soportadas. Se entrena exclusivamente con datos sintéticos, diseñados para primar tablas anchas, agrupadas y de alta cardinalidad, y estrena características de Fourier aprendidas y rangos ECDF en contexto.

Prior Labs afirma también que el modelo base supera a AutoGluon 1.6 extreme —la biblioteca de aprendizaje automático automatizado impulsada por Amazon Web Services— por 130 puntos de Elo y en una quinta parte del tiempo. La familia trae cuatro piezas: TabPFN-3.5, con pesos abiertos; TabPFN-3.5-Fast, en alfa, con 84 millones de parámetros y hasta seis veces más rápido; y Plus y Thinking, solo por API o licencia de empresa. Los pesos abiertos son de uso no comercial: para producción hace falta la API de Prior Labs o una licencia comercial.

Leer más: MarkTechPost — Prior Labs Releases TabPFN-3.5 ↗

Causilo se usa como scikit-learn y enseña su factura de cómputo

Causilo se maneja con la interfaz que conoce cualquiera que haya tocado scikit-learn, pero por debajo funciona al revés: llamar a `fit` no actualiza los pesos preentrenados, sino que guarda las filas de entrenamiento como contexto para predecir después en una sola pasada. Admite hasta diez clases, arrays de NumPy y DataFrames de pandas, características categóricas y valores ausentes, y la versión 1.0.1 añade regresión de mediana y de cuantiles con 999 cuantiles nativos. Pide Python 3.10 a 3.12 y PyTorch 2.13 o superior, y corre en CUDA o en CPU.

Su arquitectura va en tres fases —refinamiento, compresión en vectores fijos de 512 dimensiones por fila y un bloque de predicción de 12 capas—, y la interacción entre filas pasa por cuatro tokens latentes con atención cruzada en vez de autoatención completa, que es lo que le permite escalar linealmente con el número de características.

Nums AI publica además lo que cuesta ejecutarlo, y ahí la comparación vuelve a ser contra TabPFN-3: por cada 1.000 filas en una GPU H100, Causilo ajusta en poco más de dos segundos y medio y predice en 0,251 segundos, frente a los 4,18 y 0,686 de TabPFN-3, que a cambio se apaña con 0,88 GiB de memoria. En ScoringBench, la empresa lo sitúa primero en 101 conjuntos de datos. El código es Apache-2.0; los pesos, bajo una licencia propia que solo permite investigación y evaluación.

Leer más: MarkTechPost — Nums AI Releases Causilo ↗