The Pulse
Prior Labs presenta TabPFN-3.5 per le previsioni più difficili sui dati tabellari
Prior Labs ha presentato TabPFN-3.5, un modello di base per dati tabellari progettato per gestire dati disordinati, ad alta cardinalità, temporali e ricchi di testo. Secondo l’azienda, il modello è in testa a TabArena e BeyondArena, mentre
AI.info Team ·
«L’inferenza zero-shot supera i miei modelli messi a punto con cura e si piazza regolarmente al primo posto nei miei test retrospettivi. TabPFN ha dimostrato che potevamo passare a un modello di base fondato sulla sola inferenza.»
Jean Pablo Fuquen, ingegnere di IA, Scaleway
TabPFN-3.5 punta sui dati difficili per i modelli convenzionali
Prior Labs ha presentato TabPFN-3.5 il 15 settembre, proponendolo come modello di base per le previsioni su dati strutturati che non rispettano le ipotesi su cui si fondano le pipeline standard di apprendimento automatico. Il lancio riguarda attività di classificazione e regressione con tipi di dati misti, campi ad alta cardinalità, relazioni temporali, record raggruppati e testo incorporato nelle tabelle.
Secondo Prior Labs, il modello è progettato per situazioni in cui le righe non sono indipendenti e le colonne non sono codificate in modo chiaro. Tra gli esempi citati ci sono i dati assicurativi che combinano gli importi dei sinistri con le conclusioni di chi li esamina, i dati sulle transazioni collegati a esercenti e clienti e le tabelle industriali o scientifiche con centinaia di misurazioni dei sensori raccolte in luoghi o periodi diversi.
Tradizionalmente, questi carichi di lavoro richiedono pre-elaborazione, progettazione delle caratteristiche e ripetute messe a punto dei modelli. TabPFN-3.5 usa invece l’apprendimento in contesto per formulare previsioni a partire da un dataset in un unico passaggio in avanti, proseguendo l’approccio di TabPFN che trasferisce gran parte del lavoro di costruzione del modello nella fase di preaddestramento.
51 dataset di TabArena e 142 di BeyondArena
Prior Labs riferisce che TabPFN-3.5 è al primo posto sia su TabArena sia su BeyondArena. TabArena è un benchmark IID che comprende 51 dataset selezionati e più di 27 metodi, tra cui più di 10 modelli di base per dati tabellari. BeyondArena comprende 142 dataset con dati ad alta dimensionalità, raggruppati, temporali, ad alta cardinalità e ricchi di testo.
Secondo Prior Labs, su TabArena TabPFN-3.5 supera il precedente modello al primo posto. Su BeyondArena, l’azienda riferisce un vantaggio di circa 150 punti Elo rispetto al precedente modello al primo posto nella classifica generale. Sui dataset non grandi del benchmark, il modello è in testa per i dati ricchi di testo, ad alta cardinalità e ad alta dimensionalità, con un vantaggio fino a circa 250 punti Elo rispetto alla baseline precedente più forte. Prior Labs afferma che, sui dati raggruppati, eguaglia quella baseline.
I risultati sono dichiarazioni dell’azienda sulle prestazioni nei benchmark, non l’esito di una valutazione indipendente. Il rapporto tecnico contiene collegamenti ai repository dei benchmark e descrive il protocollo di valutazione, i dataset, le configurazioni dei modelli, l’ambiente di esecuzione e i risultati completi.
Il lancio comprende anche Plus e Thinking
Insieme al modello di base, Prior Labs aggiorna due varianti già esistenti. TabPFN-3.5-Plus aggiunge la capacità di elaborare tabelle ricche di testo contenenti descrizioni di prodotti, recensioni dei clienti e note interne. Secondo l’azienda, Plus si colloca al secondo posto dietro TabPFN-3.5-Thinking su STRABLE, un benchmark che comprende 108 dataset tabellari con stringhe disordinate.
Thinking è pensato per i casi in cui si può impiegare una maggiore potenza di calcolo in cambio di punteggi più alti. Prior Labs riferisce che TabPFN-3.5-Thinking guadagna 44 punti Elo su TabArena e circa 20 punti Elo su BeyondArena rispetto al modello di base TabPFN-3.5. L’azienda afferma inoltre che la variante migliora i risultati sui dati temporali e raggruppati, per esempio nella previsione delle vendite di nuovi negozi o delle vendite future a partire da dati storici.
«Alla pari con il mio modello di apprendimento automatico, costruito in una settimana, ma con un paio di clic», ha dichiarato Corentin Garet di Beside in un commento di un cliente riportato da Prior Labs. Kacper Wieczorek, responsabile dei data scientist di Marshmallow, ha affermato che TabPFN aveva superato il gradient boosting su dataset assicurativi reali senza messa a punto e aveva prodotto intervalli di confidenza delle previsioni utili per le applicazioni legate al rischio.
TabPFN-3.5-Fast arriva in versione alpha
Il lancio introduce anche TabPFN-3.5-Fast, un modello alpha per applicazioni in cui la latenza è un fattore critico. Secondo Prior Labs, è fino a sei volte più veloce del modello di base. Per l’elaborazione di 1.000 righe senza cache, la pagina del prodotto dell’azienda indica una latenza di inferenza di 0,17 secondi per TabPFN-3.5-Fast, 0,5 secondi per TabPFN-3.5 e 7 secondi per altri modelli di base per dati tabellari.
Prior Labs afferma che la nuova famiglia può gestire direttamente dataset fino a 1 milione di righe. Nei materiali di prodotto sostiene inoltre che TabPFN-3.5 è 20 volte più veloce delle versioni precedenti del modello, con incrementi di velocità fino a 1.000 volte su larga scala. Queste cifre si riferiscono alle configurazioni e ai confronti dell’azienda, perciò l’hardware impiegato e le caratteristiche del carico di lavoro incidono sul risultato concreto.
Accesso tramite API con uno sconto limitato nel tempo
La famiglia TabPFN-3.5 è disponibile tramite l’API di Prior Labs, che include le varianti Plus, Fast e Thinking. Il servizio MCP dell’azienda ora usa TabPFN-3.5-Plus. Dal 15 al 29 settembre 2026, gli utenti dell’API e di MCP beneficiano di una riduzione del 50% rispetto alle tariffe standard per token di TabPFN-3.5; le tariffe standard tornano in vigore il 29 settembre.
I clienti SAP possono accedere a TabPFN-3.5-Plus tramite SAP AI Core, mentre Plus e Thinking sono disponibili su AWS SageMaker. Prior Labs afferma che seguirà il supporto per Microsoft Azure ML. Il pacchetto open source tabpfn include il modello di base e il checkpoint Fast.
La scheda del modello scaricabile elenca tre checkpoint: il modello standard, la versione Fast più piccola e una variante multiclasse sperimentale. Indica che TabPFN-3.5 è addestrato esclusivamente su attività tabellari sintetiche e supporta la classificazione e la regressione su dati strutturati, comprese le colonne contenenti stringhe e valori di data e ora.
Il lancio non consente però un impiego commerciale senza restrizioni. I pesi del modello sono soggetti alla licenza TabPFN-3.5, che consente la ricerca, i test e una valutazione interna limitata, ma vieta l’uso commerciale o in produzione del modello, dei suoi derivati e dei suoi output. Prior Labs indirizza chi intende usarlo in produzione verso una licenza commerciale aziendale separata.