- Mô hình nền tảng chuyên cho dữ liệu bảng (có cấu trúc), có thể thực hiện ngay các tác vụ phân loại và hồi quy với giao diện
fit/predict kiểu scikit-learn
- Mô hình mặc định TabPFN-2.6 được huấn luyện hoàn toàn trên dữ liệu tổng hợp, và sẽ tự động tải checkpoint ở lần sử dụng đầu tiên nên không cần xây dựng pipeline huấn luyện riêng
- Cũng không cần tiền xử lý dữ liệu: không áp dụng scaling, one-hot encoding, v.v.; cần đưa trực tiếp dữ liệu gốc vào, và mô hình cũng có thể tự xử lý giá trị thiếu
- Khuyến nghị dùng GPU (~8GB VRAM trở lên); trên CPU chỉ chạy được khoảng dưới 1.000 mẫu, và có TabPFN Client (suy luận đám mây) cho môi trường không có GPU
- Bắt buộc dự đoán theo lô: nếu gọi
predict cho từng mẫu riêng lẻ thì tập huấn luyện sẽ bị tính lại mỗi lần, nên chậm hơn khoảng 100 lần so với gọi một lần duy nhất — khuyến nghị chia tập kiểm tra theo đơn vị 1.000 mẫu
- Phạm vi hiệu năng tối ưu là 100.000 mẫu, tối đa 2.000 đặc trưng; với 50.000~100.000 mẫu thì đặt
ignore_pretraining_limits=True, còn trên 100.000 mẫu thì áp dụng Large Datasets Guide
- Với TabPFN Extensions, có các tính năng mở rộng như diễn giải SHAP, phát hiện ngoại lệ, tạo dữ liệu tổng hợp, trích xuất embedding, tối ưu siêu tham số, ensemble hậu kiểm, v.v.
- Trên HuggingFace có nhiều checkpoint chuyên biệt: cho số lượng đặc trưng lớn (tối đa 1.000), số mẫu lớn (30.000+), số mẫu nhỏ (dưới 3K), phiên bản fine-tune trên dữ liệu thực, v.v.
- Trong Enterprise Edition có suy luận độ trễ thấp dựa trên distillation engine, hỗ trợ tối đa 10 triệu hàng, và cung cấp giấy phép thương mại
- Ngoài ra còn có TabPFN UX (giao diện đồ họa no-code) để sử dụng mà không cần viết mã
- Mã nguồn dùng Prior Labs License (Apache 2.0 + yêu cầu ghi công), còn trọng số mô hình TabPFN-2.5/2.6 dùng giấy phép phi thương mại
Chưa có bình luận nào.