Prior Labs wydała TabPFN-3.5, najnowszą wersję modelu foundation dedykowanego do pracy z danymi tabelarycznymi. Model pokonał zwycięskie rozwiązanie konkursu Kaggle Otto Group Product Classification Challenge z 2015 roku, osiągając wynik 0.375 w metryce multi-class log loss, podczas gdy zwycięzcy - Gilberto Titericz i Stanislav Semenov - uzyskali 0.382. TabPFN-3.5 robi to bez żadnego per-dataset training czy tuning-u, pracując tylko w pojedynczym forward pass.
Wynik jest szczególnie imponujący ze względu na historię konkursu. Otto Challenge przyciągnęła 3505 zespołów do klasyfikacji produktów na 9 kategorii używając 93 obfuscowanych cech liczbowych. Zwycięskie rozwiązanie było skomplikowanym stackiem 36 modeli ze ręcznie wytwarzanymi features. Nick Erickson, współtwórca AutoGluon, pracował nad pobiciem tego wyniku przez lata - AutoGluon mieścił się na pozycji 23 w 2020 roku, 14 w 2023 roku i ostatecznie 9 w sierpniu 2026 roku. TabPFN-3.5 nie tylko osiągnął lepszy rezultat, ale zrobił to bez specjalistycznego trenowania.
Model jest dostępny z licencją. Otwarte wagi można uruchamiać lokalnie do badań, ewaluacji i konkurencji Kaggle, ale użycie produkcyjne wymaga dostępu do API Prior Labs lub komercyjnej licencji. TabPFN-3.5 osiąga także pierwsze miejsce w siedmiu różnych tabelarycznych benchmark'ach, co potwierdza jego generalną wydajność w pracy z danymi strukturalnymi.