TabPFN

TabPFN-3.5 模型发布：上下文 Transformer 由 512 维扩至 1024 维、分类参数 53M 增至 220M，单一多任务 checkpoint 同时覆盖分类与回归；支持 100 万行、推荐 6000 特征（上限 20000）。Prior Labs 报告在 TabArena、BeyondArena、STRABLE、MulTaBench、RelArena-α、TALENT、ScoringBench 7 个基准排名第一；以原始数据和默认设置在 2015 Otto Kaggle 竞赛取得 0.375 private log loss，优于冠军方案 0.382，RTX PRO 6000 上推理约 1 分钟。模型家族含 Fast（84M，快 6 倍）、Plus（仅 API/企业版，新增原生文本处理与 FP8 attention）、Thinking；开放权重仅限研究/评测/Kaggle，生产使用需 API 或商业许可。

TabPFN v9.0.0 发布：TabPFN-3.5 成为 Classifier/Regressor 默认模型（V3 仍可显式指定）；新增 TRANSFORM_DATES（datetime 列展开为年/年积日/纪元秒等日历特征）与 TRANSFORM_TEXT（skrub.StringEncoder 字符 n-gram tf-idf+SVD 将文本列转为数值特征）开关；新增 majority_downsample 子采样以保留全部少数类；峰值内存优化（100 万×2000 float32 由 26.1GB 降至 15.4GB）；代码改为标准 Apache 2.0 许可，模型权重许可不变；另有指标组合报错等破坏性变更及 fp16 预测修复。

TabPFN v8.5.0 发布：多项内存与性能优化——预处理阶段峰值宿主内存从 42.7GB 降至 12.0GB（-72%），含类别列表格预处理内存由 3.33GB 降至 2.80GB；大字符串列类型检测改为 1024 行前缀内首个不符合即停止，100 万行文本列检测从约 14 秒降至 20 毫秒以下。新增 fit() 内部识别日期型字符串列（尚未展开为日历特征）及 InferenceConfig.MIN_CARDINALITY_FOR_TEXT；缓存推理改为缓存 decoder keys 而非 train embeddings（get_embeddings 的 data_source="train" 不再支持）；download_all_models 在任一模型下载失败时抛异常。并修复大批次微调 FlashAttention 反向传播非法内存访问、fit_with_cache 的 TypeError、含哈希值文本列导致的解释器崩溃及 TabPFNRegressor 拒绝含分类头 checkpoint 等问题。

TabPFN v8.4.0 发布：TabPFNRegressor 新增 eval_metric 与 tuning_config 参数，支持在保留集上对集成分布 temperature 校准（可选 nll 或 crps 指标）并改进所有 predict 输出（含分位数）；微调 DDP 时将各 estimator 激活分摊到多 GPU；软max温度网格改为精确包含 1.0，fit() 对大规模/含类别列表格显著降低内存与耗时（5.3GB 数字表瞬时内存与耗时降约 2/3），并在内存节省模式下量化层以降低 KV 缓存构建期峰值 GPU 内存；修复带 tuning_config 时 predict_batched 静默返回未校准预测的问题。

TabPFN v8.3.0 发布：新增回归批量预测 predict_batched、ManyClassDecoder.attention_weights 可解释性接口、fp8 KV 缓存、load_model 内置模型缓存与注意力后端注册表；n_estimators 默认改为 auto 以对宽数据集做特征覆盖自动缩放，并修复 v2/v2.5/v2.6 微调中的激活检查点等问题。