Naukowcy opracowali TabPFN-MT, model zdolny do nauki w kontekście (in-context learning) na danych tabelarycznych z wieloma zadaniami. Model łączy możliwość uczenia się z kilku przykładów bez fine-tuningu z obsługą wielozadaniowych scenariuszy analitycznych. Rozwiązanie ma potencjał do transformacji podejścia do automatycznego modelowania danych tabelarycznych, stanowiąc konkurencję dla tradycyjnych modeli uczenia maszynowego.