The Pulse

Prior Labs lancia TabPFN-3.5 per le previsioni tabellari più complesse

Prior Labs ha lanciato TabPFN-3.5, un modello di base per dati tabellari progettato per dati disordinati, ad alta cardinalità, temporali e ricchi di testo. L’azienda afferma che il modello è in testa a TabArena e BeyondArena, mentre una ver

AI.info Team · Scritto con l’IA · verificato · 2026-09-16

«L’inferenza zero-shot supera i miei modelli accuratamente ottimizzati, conquistando costantemente il primo posto nei miei backtest. TabPFN ha dimostrato che potevamo passare a un modello di base basato sulla sola inferenza».

Jean Pablo Fuquen, ingegnere IA, Scaleway

TabPFN-3.5 punta ai dati ostici per i modelli convenzionali

Prior Labs ha lanciato TabPFN-3.5 il 15 settembre, presentandolo come un sistema di base per le previsioni su dati strutturati che non rientrano nelle ipotesi delle pipeline standard di machine learning. La release copre carichi di lavoro di classificazione e regressione che coinvolgono tipi di dati misti, campi ad alta cardinalità, relazioni temporali, record raggruppati e testo incorporato nelle tabelle.

Il modello è progettato per situazioni in cui le righe non sono indipendenti e le colonne non sono codificate in modo ordinato. Tra gli esempi di Prior Labs figurano record assicurativi che combinano gli importi dei sinistri con le conclusioni dei revisori, dati sulle transazioni collegati a esercenti e clienti e tabelle industriali o scientifiche contenenti centinaia di misurazioni dei sensori raccolte in luoghi o periodi diversi.

Tradizionalmente questi carichi di lavoro hanno richiesto pre-elaborazione, feature engineering e ripetute ottimizzazioni del modello. TabPFN-3.5 usa invece l’in-context learning per formulare previsioni a partire da un dataset in un unico passaggio in avanti, sulla base dell’approccio di TabPFN che sposta gran parte del lavoro di costruzione del modello nella fase di pre-addestramento.

51 dataset di TabArena e 142 dataset di BeyondArena

TabPFN-3.5 si classifica al primo posto sia su TabArena sia su BeyondArena, riferisce Prior Labs. TabArena è un benchmark IID che contiene 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.

Su TabArena, Prior Labs afferma che TabPFN-3.5 supera il precedente modello in testa. Su BeyondArena, l’azienda riferisce un vantaggio di circa 150 punti Elo rispetto al precedente modello primo in 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 migliore baseline precedente. Sui dati raggruppati, il modello eguaglia quella baseline, afferma Prior Labs.

I risultati sono dichiarazioni dell’azienda sui benchmark, non una valutazione indipendente. Il rapporto tecnico rimanda ai repository dei benchmark e descrive il protocollo di valutazione, i dataset, le configurazioni dei modelli, l’ambiente di esecuzione e i risultati completi.

Plus e Thinking ampliano la stessa release

Prior Labs sta aggiornando due varianti esistenti insieme al modello base. TabPFN-3.5-Plus aggiunge l’elaborazione di tabelle ricche di testo contenenti descrizioni di prodotti, recensioni dei clienti e note interne. Plus si classifica secondo dietro a TabPFN-3.5-Thinking su STRABLE, un benchmark che comprende 108 dataset tabellari con stringhe non uniformi, afferma l’azienda.

Thinking è destinato ai casi in cui è accettabile impiegare più risorse di calcolo in cambio di punteggi più alti. TabPFN-3.5-Thinking guadagna 44 punti Elo su TabArena e circa 20 punti Elo su BeyondArena rispetto al modello base TabPFN-3.5, riferisce Prior Labs. La variante migliora anche i risultati sui dati temporali e raggruppati, per esempio nelle previsioni delle vendite di nuovi negozi o delle vendite future a partire dai dati storici, afferma l’azienda.

«Alla pari con il mio modello di machine learning costruito in una settimana, in un paio di clic», ha detto Corentin Garet di Beside in un commento di un cliente riportato da Prior Labs. Kacper Wieczorek, responsabile data scientist di Marshmallow, ha detto che TabPFN aveva superato il gradient boosting su dataset assicurativi reali senza ottimizzazione e aveva prodotto intervalli di confidenza delle previsioni utili per le applicazioni legate al rischio.

TabPFN-3.5-Fast arriva in alpha

La release introduce anche TabPFN-3.5-Fast, un modello alpha per applicazioni sensibili alla latenza. Il modello alpha è fino a sei volte più veloce del modello base, afferma Prior Labs. 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 nell’elaborazione di 1.000 righe senza cache.

La nuova famiglia può gestire nativamente dataset con un massimo di 1 milione di righe, afferma Prior Labs. I materiali sul prodotto sostengono 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. Questi dati descrivono configurazioni e confronti dell’azienda stessa, quindi l’hardware di implementazione e il carico di lavoro determinano il risultato pratico.

L’accesso via API arriva con uno sconto limitato

La famiglia TabPFN-3.5 è disponibile attraverso l’API di Prior Labs, che offre le varianti Plus, Fast e Thinking. Il servizio MCP dell’azienda usa ora TabPFN-3.5-Plus. Gli utenti di API e MCP ricevono una riduzione del 50% rispetto alle tariffe standard per i token di TabPFN-3.5 tra il 15 settembre e il 29 settembre 2026; le tariffe standard tornano in vigore il 29 settembre.

I clienti SAP possono accedere a TabPFN-3.5-Plus attraverso SAP AI Core, mentre Plus e Thinking sono disponibili su AWS SageMaker. Seguirà il supporto per Microsoft Azure ML. Il pacchetto open source tabpfn include il modello base e il checkpoint Fast.

La scheda del modello scaricabile elenca tre checkpoint, tra cui il modello standard, la versione Fast più piccola e una variante multiclasse sperimentale. TabPFN-3.5 è addestrato esclusivamente su compiti tabellari sintetici e supporta la classificazione e la regressione su dati strutturati, comprese le colonne di stringhe e di data e ora, secondo la scheda del modello.

Questa release non consente un impiego commerciale senza restrizioni. I pesi del modello sono soggetti alla licenza TabPFN-3.5, che permette 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 gli utenti che intendono usarlo in produzione verso una licenza commerciale enterprise separata.