TabPFN 和 TabICL：不训练竟赢了 14 场

TabPFN and TabICL vs. tuned XGBoost: the model that doesn't train won 14/14

我亲自测试了 TabPFN 和 TabICL 这两大表格基础模型，在 14 个真实数据集上挑战经过精细调参的 XGBoost。结果令人意外：这些无需在特定数据上训练的模型，凭借上下文学习（In-Context Learning）机制，在绝大多数场景中直接击败了耗时调优的传统树模型。从信贷风险评估到医疗再入院预测，TabICL 和 TabPFN 往往在几秒内给出答案，省去了繁琐的超参数搜索过程。虽然在高维数据上 TabPFN 表现乏力，但 TabICL 依然稳健。这或许意味着，未来处理表格数据时，那种“调参一整天”的仪式可能将成为历史，取而代之的是即插即用的基础模型。