AGI新战场谷歌亚马逊巨头激战，杀出个中国LimiX-2赢了又赢 (2026)

转载说明：本文转载自微信公众号「量子位」官方账号（biz_id：MzIzNjc1NzUzMw），原文发表于 2026 年 9 月 18 日 20:17，作者署名「梦瑶发自凹非寺量子位 | 公众号 QbitAI」。原文链接：[量子位微信公众号原文](http://mp.weixin.qq.com/s?__biz=MzIzNjc1NzUzMw&mid=2247924531&idx=1&sn=b1e06939c8ac4efbe2213e834677002d)，同题文章另见量子位官网 qbitai.com。

9 月 15 日，德国软件巨头 SAP 先发布了 TabPFN-3.5。按原文的记述，几小时后（9 月 16 日），一支由清华博士组成的团队发布了 400M 参数的结构化数据基础模型 LimiX-2 1。

原文给出的成绩是：LimiX-2 在 TabArena、TALENT、BCCO 三个国际主流基准的二分类、多分类和回归任务上均排名第一，超过 Google TabFM、TabPFN、TabICL、Mitra 等模型 1。发布方是稳准智能，首席科学家为清华大学计算机系教授崔鹏，也是 LDM 理念的提出者之一。

TabArena 榜单页面截图，聚合口径为 Elo、每个模型取最佳变体，首行是 LimiX-2，随后依次为 TabPFN-3.5、TabFM+、Causilo、AutoGluon 1.6 等 — *原文配的官方 TabArena 榜单页面：LimiX-2 排在 Overall 首位，右侧分栏给出分类、回归、二分类、多分类，以及按数据集规模和目标分布的细分成绩。1*

稳准智能不是第一次在这个方向上上榜。去年他们发布的 LimiX 是国内首个结构化数据基础模型，霸榜了很长一段时间。原文转述这支团队的说法：

「真正重要的，从来不是拿下一次第一，而是每到关键节点，都有能力重新回到第一。」

语言模型之外，另一条处理表格数据的路线

LDM 指 Large Data Model，即结构化数据基础模型，目标是让基础模型直接学习不同结构化数据里的变量关系、条件关系和生成机制 1。

原文解释的差别落在信息空间上。LLM 处理的是已经完成语义化的现实：文本、代码、论文、数学公式，以及经过标注和描述的图像与视频。这些知识都经过人类一次理解、筛选和抽象，再被编码成 Token。

产业系统里的另一类数据落在这一层之外。以制造业为例，温度、压力、转速、原料配比、设备状态、能耗等几十、几百甚至上千个变量同时变化，构成一个持续演化的高维空间，其中大量规律没有被写成规则、公式或文本 1。

产业关心的也不只是单个变量的取值。原文列举的是另外几件事：变量之间存在什么稳定关系，哪些关系能跨环境成立，以及一个变量变化之后，系统整体会如何响应。

如果先把这类数据转写成文本再交给 LLM，中间会经历一次信息压缩。在生产系统里，被压缩掉的细粒度差异可能直接决定预测精度、良率和风险判断。

巨头入场的方式各不相同。Google 今年发布 TabFM，把表格数据基础模型纳入自己的基础模型版图；Amazon 推出 Mitra，探索一个预训练模型如何在不同的表格和任务之间直接迁移。

SAP 的动作更大：先做 SAP-RPT-1，今年收购 TabPFN 背后的 Prior Labs，投入超过 10 亿欧元扩建结构化数据 AI 研究团队。几天前，TabPFN-3.5 Plus 进入 SAP AI Core，开始处理现金流预测、付款延迟、供应商风险、客户流失这些企业决策任务 1。

换掉学习目标：从预测 Y 到学变量之间的关系

TabPFN 代表的 PFN 路线目标很直接：给定上下文和目标，让模型快速适应一张新表，把 Y 预测准。这条路线在分类、回归上适配很快，推动了表格基础模型的发展 1。

原文在这里提出的疑问是：「如果我们想知道的，已经不止是『Y 等于多少』呢？」

LimiX-2 改的是模型「学什么」。团队提出上下文机制网络 Contextual Mechanism Networks（CMNs），把结构化数据建模从以目标变量为中心的预测问题，推进为面向全变量联合依赖和数据生成机制的关系建模问题。

技术报告把两个学习目标写成了两个式子。PFN 类模型围绕 p(y | x, D_context) 组织网络，CMNs 则围绕 p(x, y | D_context)，学习与上下文相关的数据生成联合结构 2。原文把这套范式切换类比成大语言模型从 BERT 走向 GPT。

两种范式的对照示意图：左侧是 PFN 等以目标为中心的预测范式，X1、X2、X3 指向 Y；右侧是 LimiX-2 的上下文机制网络，变量之间互相指向 — 原文为说明两种范式差别所配的示意图（原文标注为 AI 生成）。左侧注解写的是学会更准地预测 Y，右侧注解写的是学习 X、Y 和其他变量如何共同生成这份数据，并标出跨环境依然稳定的关系。1

新目标需要新的训练方式。团队提出上下文条件掩码建模（CCMM）：不断遮住、预测不同的变量，逼着模型从预测单一目标转向学习变量之间的条件依赖与联合结构，等于不停给它换题 1。

底层表示也跟着往下沉到 Cell-Level：以单元格作为基础表示单元，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。这样一来，分类、回归、缺失值填补都可以统一成对同一个数据模型的不同查询。

权重页面上对应的说法是：一个预训练模型在一次前向传播里完成分类、回归和缺失值填补，不需要按任务更新参数 3。

三个基准上，分类和回归都排在第一

分类任务回答的是「它属于哪一种状态」：设备会不会故障、客户会不会流失、一笔交易是否存在风险。这类任务要求模型从大量变量里找出真正影响结果的信号 1。

原文在 TabArena 上按 Elo 排名给出的结果是：LimiX-2 四项指标均居第一，Elo 达到 1917，领先 TabFM+ 143 分 1。

回归任务考的是另一件事：模型要理解连续变量之间的依赖关系，再把这种关系压到一个足够准确的数值预测上。在 TabArena 的回归任务里，LimiX-2 四项指标同样第一，Elo 达到 2206 1。

三基准成绩汇总图，分 TabArena、TALENT、BCCO 三栏，每栏列出 Overall、二分类、多分类、回归四组成绩条 — 原文给出的三基准汇总图：TabArena（51 个数据集）、TALENT（288 个数据集）、BCCO（156 个数据集）三栏的首名都是 LimiX-2，同一栏里的次名分别是 TabFM+、AutoGluon 1.6 EX、TabFM。1

训练数据一侧也做了升级。CMNs 把学习目标扩展到变量关系建模，对数据多样性的要求随之提高，LimiX-2 因此升级了大规模自动化合成数据引擎，覆盖更多分布、交互关系和噪声类型 1。技术报告里的对应做法，是用结构因果模型（SCM）生成的合成数据集做预训练，覆盖不同的图结构、函数机制和观测过程 2。

除了分类和回归，LimiX-2 也把能力推向因果发现。在 Sachs、UF、Causal Chamber 等公开数据集上，原文称 LimiX-2 领先多种传统因果发现方法 1。

因果发现对比图，Sachs、UF、Causal Chamber 三个数据集各一栏，LimiX-2 的 F1 分别为 0.714、0.862、0.701，下方列出其他方法 — 原文配的因果发现横向对比（指标为 F1，分数越高越好）。三个数据集上排第二的分别是 TabICLv2（0.643）、TabPFN-3（0.685）和 LiNGAM（0.667）；同图还并列了 GES、NOTEARS-MLP 等专用因果发现方法，以及 TabFM（Google）、TabLDM（小米）等基础模型。1

原文留下的判断

原文把 LDM 的能力路径写成一条链：从 Prediction 走向 Relationship、Causality、Intervention、Decision，让 AI 进一步理解真实世界里的变量关系、生成机制和变化规律 1。

收束处回到 2020 年 GPT-3 问世那一刻。原文的判断是，LDM 这块竞争场域指向的，可能是决定下一阶段 AI 能力上限的「GPT-3 时刻」：

「让大模型从理解人类已经表达出来的知识，进一步走向理解世界运行本身。」

想自己核对的，技术报告是《LimiX-2: A Contextual Mechanism Network Towards General Structured-Data Intelligence》，2026 年 9 月 15 日提交到 arXiv；权重与推理代码发布在 Hugging Face、ModelScope 与 GitHub，仓库目前有 4.2k star（截至 2026 年 9 月 19 日）4。权重按非商用许可（StableAI LimiX Non-Commercial License）发布，使用范围以该许可为准 3。