稳准智能与清华发布LimiX-2，400M参数在三个结构化数据榜单登顶
LimiX-2在TabArena、BCCO、TALENT三个结构化数据评测基准的总体Elo分数分别为 1935、1432、1506，均列第一；团队称其在Sachs、UF、Causal Chamber等因果发现数据集上领先传统方法。
AI解读：LimiX-2是给结构化数据用的基础模型，9 月 16 日由稳准智能联合清华大学计算机系崔鹏教授发布，参数从上一代继续扩大至 400M。它不用像传统机器学习那样一个任务训一个专用模型，而是靠一个模型跨场景、跨数据集做预测。
这次最直接的变化是榜单位置。TabArena、BCCO、TALENT三个结构化数据评测基准的总体Elo分数分别为 1935、1432、1506，三处都排第一，来源称超过了Google、SAP、Amazon等国际厂商的同类模型。Elo是综合排名指标，不代表某个单独任务上的细节表现。
技术上它把学习目标从“预测指定目标变量”转向“发现变量之间怎么关联”，新提出的上下文机制网络（CMNs）以全变量联合依赖为建模对象，并通过上下文条件掩码建模组织跨变量监督。这使分类、回归、缺失值填补被统一为同一数据模型的不同查询，也为结合因果假设做因果骨架发现提供统计基础。
对企业用户来说，值得看的是适用条件：结构化数据大多躺在企业内部系统里，不像互联网文本那样能大规模公开获取，所以LimiX-2沿用合成数据预训练路线，自动生成线性、非线性、多变量交互、周期变化和噪声扰动等分布的数据。截至 2026 年世界人工智能大会，上一代LimiX已完成 800 余个结构化数据场景验证，并与 60 多个客户达成战略合作，工艺参数优化、设备故障预测、电力预测、能耗优化和材料科学是较典型方向。
需要留意的边界：榜单上的Elo和因果发现数据集上的领先都来自团队自己发布的信息，公开报道尚未给出客户场景中的具体收益数字；400M参数是这条“结构化数据基础模型遵循Scaling Law”路线的一次规模验证，效果仍要看后续在真实企业数据上的泛化表现。
9 月 16 日，稳准智能联合清华大学计算机系崔鹏教授发布新一代数据大模型LimiX-2，模型参数规模提升至 400M。
据来源量子位报道，LimiX-2在TabArena、BCCO、TALENT三个国际主流结构化数据Benchmark中，总体Elo分数分别达到 1935、1432 和 1506，均位于榜单第一，超过Google、SAP、Amazon等国际大厂的同类模型。
三条技术路线：CMNs、合成数据引擎与 400M参数
LimiX-2的能力升级主要沿三条技术路线推进。第一是上下文机制网络CMNs（Contextual Mechanism Networks），作为预测依赖关系的系统，将建模重点从预先指定的目标变量转向变量之间的相互关联。
LimiX团队称，传统经典PFNs以指定目标的预测分布为核心；CMNs则将上下文数据的全变量联合依赖作为建模对象，不只关注变量取什么值，更着眼于发现变量如何相互关联、共同构成怎样的内在结构。
第二是在预训练阶段升级自动化合成数据的生成引擎。结构化数据大量存在于企业内部系统，很难像互联网文本一样被大规模公开获取，因此TabPFN、Mitra等表格基础模型也普遍使用合成数据进行预训练。LimiX-2可以自动生成线性、非线性、多变量交互、周期变化和噪声扰动等不同分布的数据，让模型在进入真实企业之前接触更多数据结构和变量关系。
第三是进一步Scaling。来源称，继去年 11 月稳准智能发现并提出“结构化数据基础模型遵循Scaling Law”之后，此次新模型将参数规模提升到 400M，让所选技术路线在更大规模和尺度上得到验证。
从目标预测走向结构发现
来源称，LimiX通过上下文条件掩码建模（CCMM），在不同观测模式下组织跨变量监督，将变量关系推断确立为明确的预训练目标。模型不再仅为某个指定结果学习相关信息，而是通过多种条件预测共同约束对全变量依赖结构的表达。
这一原则也贯穿网络架构：LimiX采用单元格级（Cell-Level）建模，以变量在各样本中的观测为基本表示单元，保留列身份、具体取值和缺失状态，支持跨变量、跨样本的信息交互。从数据表示、训练目标到网络计算，整体设计围绕联合依赖建模展开。
在这一框架下，分类、回归、缺失值填补等任务被统一为对同一数据模型的不同查询。来源还称，联合关系建模为结合因果假设开展因果骨架发现提供统计基础。
除榜单体现的分类、回归等预测能力外，来源称LimiX-2在因果发现方面也展现出技术突破：传统因果发现方法依赖专家先验或严格的统计假设，难以应对高维企业数据；LimiX-2在Sachs、UF、Causal Chamber等多个因果发现公开标准数据集上显著领先传统因果发现方法。
验证规模与发布信息
来源称，截至 2026 年世界人工智能大会，上一代LimiX已完成 800 余个结构化数据场景的通用性验证，并与 60 多个客户达成战略合作。此前在多个真实场景的验证中，LimiX把过去“一项任务训练一个专用模型”的传统机器学习方式，转变为由一个基础模型跨场景、跨数据集的通用预测能力。工艺参数优化、设备故障预测、电力预测、能耗优化和材料科学是目前较典型的应用方向。
稳准智能首席科学家崔鹏表示：“LimiX-2的发布和此次Benchmark成绩，是团队在结构化数据大模型方向持续探索的重要阶段性成果。我们仍将长期坚持这一技术路线，并不断提升模型对数据规律和变量因果关系的理解能力。未来，我们将继续推动模型在因果智能方向上的发展，助力人工智能更快速地从预测走向决策。”
来源提到，跟LLM赛道发展类似，结构化数据基础模型即将迎来GPT3时刻，国际竞争烈度不断增强；Google、Amazon、SAP等多个国内外知名团队不断加速模型研发进程。
技术报告标题为《LimiX-2: A Contextual Mechanism Network Towards General Structured-Data Intelligence》，技术报告地址、GitHub、Hugging Face和ModelScope链接已随发布公开。量子位注明本文由稳准智能提供，量子位获授权转载，观点归原作者所有。