LimiX-2: Sådan virker modellen – og det viser testresultaterne

LimiX-2 er en grundmodel til strukturerede data – typisk data i rækker og kolonner – fra Stable AI og et hold ved Tsinghua-universitetet med tilknytning til professor Peng Cui. Ideen er at bruge én fortrænet model med omkring 400 millioner parametre i stedet for at træne en særskilt model til hver tabel og opgave. Projektet daterer offentliggørelsen af modelvægte og kode til at køre modellen til 16. september 2026; den 17. september optræder på en efterfølgende liste over forskningsartikler. 3812

Fra skjulte felter til forudsigelser

Modellen bygger på et Contextual Mechanism Network (CMN), som behandler relationer mellem variablerne i de data, den får som kontekst. Under træningen skjuler metoden Context-Conditional Masked Modeling (CCMM) nogle værdier og lader modellen forsøge at genskabe dem ud fra resten. Ved at ændre, hvilke værdier der skjules, kan samme princip bruges både til at forudsige en målvariabel og til at anslå manglende felter. Træningen bruger syntetiske datasæt fra strukturelle kausale modeller med forskellige grafstrukturer og mekanismer. 23

Ifølge projektet kræver klassifikation, regression og udfyldning af manglende værdier ingen opgavespecifikke parameteropdateringer. Forskerne rapporterer også, at modellen kan finde en kausal skeletstruktur: mulige forbindelser mellem variabler. En sådan forbindelse viser ikke i sig selv, hvilken vej en årsagssammenhæng går, eller om et indgreb vil have en effekt. 319

Hvad tallene viser – og ikke viser

I forskernes egne evalueringer får LimiX-2 1.935 Elo på TabArena, 1.432 på BCCO og 1.506 på TALENT. Den ligger øverst blandt de sammenlignede grundmodeller til tabeldata og AutoGluon 1.6 på alle tre testbenchmark. På TabArena er forspringet til nummer to, TabFM+, 117,4 Elo-point før afrunding. 16

Elo er her en relativ placering i testene, ikke en procentsats for korrekte forudsigelser. Resultaterne giver derfor god grund til at afprøve LimiX-2 mod en eksisterende automatiseret maskinlæringspipeline – ofte kaldet AutoML – men ikke til at erstatte den uden en test på egne data. 16

Før en virksomhed tager modellen i brug

Undersøg licensen først. Vægtene og koden til at køre modellen er tilgængelige, men projektmaterialet angiver en ikke-kommerciel licens. Åbent tilgængelige vægte er altså ikke det samme som tilladelse til kommerciel brug. 3

Hvis anvendelsen er tilladt, bør teamet sammenligne modellen med sin nuværende løsning på repræsentative testdata, hvor tidsforløb eller grupper holdes adskilt, når det er relevant. Se både på forudsigelsernes kvalitet, kalibrering, håndtering af manglende data, omkostninger ved at køre modellen, hukommelsesbehov og driftsmæssig pasform. Udfyldte værdier er estimater, og mulige forbindelser i en kausal skeletstruktur bør efterprøves med faglig viden. De rapporterede resultater taler for en pilot – ikke for, at dedikeret AutoML generelt kan undværes. 31619