# TabPFN 学的是一亿张假表，不是你客户的表

> SAP 收购 Prior Labs，押注大模型处理不好业务表格，但 FDE 仍要用客户真实数据证明它胜过老方法。

原文: https://fdetimes.net/zh/guides/tabpfn-prior-labs-tabular-foundation-model-fde/

客户发来一份 ERP 导出的数据：几千行订单、几十个字段，问题也很日常：“请提前告诉我们哪些订单会延迟交付。”这时总会有人补一句：“为什么不丢给聊天机器人，看它能不能猜出来？”

很多工程师恰恰卡在这里。SAP 在 2026 年 5 月 4 日宣布收购 Prior Labs 时说得很直白：大模型（LLM）对表格、数字和统计只有浅层理解，因此很难在结构化业务数据上做预测。客户的订单表正好落在这个短板上。

Prior Labs 开发的 TabPFN 是一款专为表格数据打造的基础模型。这类产品交给前线部署工程师（FDE）的任务非常具体：在客户自己的表格上，诚实地证明基础模型比老方法更有价值。

## 一个从假数据里学会“如何学习”的模型

处理表格数据，常见做法是为每个问题单独训练一个模型，通常是梯度提升，再调参。TabPFN 走的是另一条路。根据 2025 年 1 月发表在 Nature 上的论文，它本身是一种学习算法，而这个算法又是从数百万个合成数据集中学来的。

弗莱堡大学的新闻稿给出了具体数字：模型在 1 亿个合成数据集上训练。值得注意的是，它完全没有用过任何客户的真实数据。它学到的，是面对一张陌生的表格时如何直接做出预测。

公开结果相当亮眼。论文称，在样本量不超过 10,000 的数据集上，TabPFN 大幅领先此前所有方法。弗莱堡大学还补充，它只需 50% 的数据，就能达到此前最佳模型的准确率。

## 基础模型这么强，为什么还需要有人坐在客户身边？

因为基准测试不是客户的表。真实表格里有事后被覆盖的字段，有中途改了格式的客户 ID，还有每个仓库定义都不一样的“延迟”标签。这些问题，基础模型自己解决不了。

Prior Labs 也没有把模型当作封闭的黑盒来卖。早在 2025 年初融资时，公司就表示 TabPFN 支持在企业的专有数据上微调。到 2025 年 12 月面向企业销售时，在企业自有数据上微调仍是卖点之一。

而在客户数据上微调，就意味着必须有人到现场：理解数据、搭建数据管道、评测结果，再向决策者讲清楚。

SiliconANGLE 认为，Prior Labs 的目标是帮助企业理解和利用对业务最关键的复杂信息。这类信息很少现成地躺在一张干净的表里。把它变成可用的表格，正是坐在客户身边的那个人要做的事。

**要点:** 基础模型在基准测试上很强；客户的信任，只能在客户自己的表上赢得。

## 诚实的试点长什么样

设想一家分销商有 1,800 个客户。每个客户是某个日期采集的一行数据，共 40 个字段，外加一个“下季度流失”的标签列。假设只有 90 个客户流失，占 5%。

一个偷懒的模型只要预测“没人流失”，准确率就有 95%，却一个流失客户都没抓到。由于它给每个客户打的分都一样，ROC AUC 恰好是 0.5，和抛硬币没有区别。所以准确率一开始就要排除，改用 ROC AUC 和最高风险组的精确率。

不过，要回答的问题并不是“TabPFN 好不好”。正确的问题是：在这张表上，它比基线好多少，又需要多少数据？

下面的代码就是按这个思路写的：同一个时间切分，多种数据量，多个模型。

```python
from sklearn.metrics import roc_auc_score

# 固定按时间切分：用过去的数据训练，用之后的时段测试
df = df.sort_values("snapshot_date")
cut = int(len(df) * 0.7)
train, test = df.iloc[:cut], df.iloc[cut:]
X_train, y_train = train[features], train["churn"]
X_test, y_test = test[features], test["churn"]

def learning_curve(make_model, fractions=(0.25, 0.5, 1.0)):
    scores = {}
    for frac in fractions:
        n = int(len(X_train) * frac)
        model = make_model()
        # 取最接近测试时段的 n 行
        model.fit(X_train.iloc[-n:], y_train.iloc[-n:])
        proba = model.predict_proba(X_test)[:, 1]
        scores[frac] = roc_auc_score(y_test, proba)
    return scores

# make_baseline：调好参的梯度提升模型
# make_foundation：表格基础模型
results = {name: learning_curve(fn) for name, fn in
           {"baseline": make_baseline, "foundation": make_foundation}.items()}
```

学习曲线是最有价值的部分。如果基础模型用 50% 的数据就追平了用 100% 数据的基线，就等于在真实数据上亲自验证了弗莱堡大学的说法。对客户来说，这个结果非常实用：他们可以先用一个区域的数据起步，不必等全国的数据都收齐。

如果两条曲线重合，这同样是结果。如实汇报，再提出下一步：也许是微调，也许是先清洗标签。

## 自己动手：按什么顺序？

先和懂业务的人一起定义标签，并对每个字段追问：预测的时候，这个值已经知道了吗？这一个问题，就能在写第一行代码之前挡住大部分数据泄漏。

接着锁定切分，建立一个调好参的强基线。基线太弱，任何差距都没有意义，客户那边眼尖的人一眼就能看出来。之后才在同一切分上运行基础模型和学习曲线。

最后给出有条件的建议。如果基础模型明显且稳定地胜出，就在真实工作流中试用。如果只是小幅领先，可以考虑在客户自有数据上微调，这一选项已经包含在 Prior Labs 的企业方案中。如果没有胜出，就保留基线，并记录原因。

## 让试点失去可信度的错误

最常见的错误是数据泄漏：像“实际交付日期”这样的字段混进了输入，让每个模型看起来都很出色。第二个错误是把基准测试结果放进幻灯片，代替在客户表格上实测的结果。Nature 上的数字是值得一试的理由，不是这个项目的证据。

第三个错误是忘了适用范围。如果客户的表远超 10,000 行，就已经超出了 2025 年那篇论文验证过的范围，必须重新测量，而不是外推。

最后一个错误，是向安全团队承诺自己没核实过的事。模型用合成数据预训练，并不能说明客户数据之后会流向哪里。

开安全会议之前，直接问供应商：预测时模型需要哪些客户数据？微调期间数据存放在哪里？模型运行在谁的基础设施上？

## 这项能力如何体现在简历上

TabPFN 下载量超过 300 万次，是被广泛使用的开源工具，不用等项目就可以马上练手。上面那个 1,800 个客户的试点，完全可以用公开数据自己搭一遍。

阅读基础模型公司前线部署 ML 工程师的岗位描述时，留意这些说法：在客户数据上微调、模型评测、直接与客户合作。

然后让简历恰好证明这些能力。不要写“有表格机器学习经验”，而要写清楚：什么问题、用了哪个基线、什么指标、差距多大、在多大数据量下。

招 FDE 的人想看到的是：你先懂得测量，再懂得夸奖。一个从 1 亿张假表中学习过的模型，依然需要一个人在真实表格上问出最难的那个问题：预测的时候，这个字段我们真的已经知道了吗？

**本周动手试试:**

- 找一张带日期列、少于 10,000 行的公开表格，在同一时间切分上分别运行梯度提升基线和表格基础模型
- 为两个模型分别画出使用 25%、50% 和 100% 训练数据时的学习曲线，再为非技术读者写一段不超过 100 字的结论
- 按“问题、基线、指标、实测差距”的模板，重写简历中的一行

## 信源

- [Accurate predictions on small data with a tabular foundation model (Nature, PMC copy)](https://pmc.ncbi.nlm.nih.gov/articles/PMC11711098/)

- [New AI model TabPFN enables faster and more accurate predictions on small tabular data sets](https://uni-freiburg.de/en/new-ai-model-tabpfn-enables-faster-and-more-accurate-predictions-on-small-tabular-data-sets/)

- [Prior Labs: €9 Million (Pre-Seed) Raised To Change How Businesses Unlock Insights](https://pulse2.com/prior-labs-e9-million-pre-seed-raised-to-change-how-businesses-unlock-insights)

- [Prior Labs debuts tabular AI foundation model that scales to 10 million rows - SiliconANGLE](https://siliconangle.com/2025/12/01/prior-labs-debuts-tabular-ai-foundation-model-scales-10-million-rows/)

- [Acquisition doubles down on SAP's early mover advantage in tabular foundation models](https://news.sap.com/2026/05/sap-to-acquire-prior-labs-establish-frontier-ai-lab-europe/)
