SAP:s miljardköp av Prior Labs – en ny era för AI på strukturerad data

• Järnvägsunderhåll – En fallstudie på Prior Labs webbplats visar att Prior Labs samarbetade med Hitachi för att förbättra prediktivt underhåll av järnväg .
• Finansiell prognostisering – En fallstudie dokumenterar att Prior Labs och TD Bank (TD Bank) undersökte TabPFN för finansiella prognoser i företagsskala .
• Hälsa och life science – Forskningsapplikationer omfattar diagnos av pankreascancer, onkologi, neurologi och kardiologi ; en fallstudie med BostonGene använde TabPFN för att identifiera immunsystemets profiler .
• Miljö och energi – Modellen har tillämpats för att förutsäga skogsbränder och för korttidsprognoser inom förnybar energi .
• Batterimaterial – TabPFN-2.5 utvidgas till miljöprognoser som algblomning och skogsbränder, samt korttidsprognoser för förnybar energi .

Senaste modellen: TabPFN-3 med Thinking Mode

TabPFN-3 släpptes den 12 maj 2026 . Den klarar dataset med upp till 1 miljon rader och 200 egenskaper, med stöd för textbaserade egenskaper direkt via API:et . API-versionen TabPFN-3-Plus (Thinking) inför så kallad inference-time compute scaling – modellen lägger mer tid på anpassningen för att nå betydligt högre noggrannhet . På TabArena-benchmarken slår TabPFN-3-Plus (Thinking) alla icke-TabPFN-modeller med över 200 Elo, och överträffar AutoGluon 1.5 extreme samtidigt som den är 10 gånger snabbare . TabPFN-3 i sig förblir öppen källkod .

Villkor och oberoende

• Köpeskilling – Ej offentliggjord, men SAP har förbundit sig att investera mer än en miljard euro under fyra år för att växa Prior Labs .
• Oberoende – Prior Labs fortsätter som en oberoende enhet och behåller sitt varumärke, sin ledning, sin forskningsagenda och sina kundrelationer, samtidigt som SAP:s ekosystem ger ökad skala och långsiktig finansiering .
• Öppen källkod – SAP stöder fullt ut Prior Labs strategi med öppen källkod; TabPFN-3 släpps som öppen källkod och modellen har laddats ner över 3 miljoner gånger .
• Ledning – Grundarna Frank Hutter, Noah Hollmann och Sauraj Gambhir fortsätter att leda teamet . Turingpristagaren Yann LeCun och Bernhard Schoelkopf från Max Planck-sällskapet ingår i den vetenskapliga rådgivande nämnden .

Strategisk motivering från ledningen

Philipp Herzig, SAP:s CTO, sade att SAP tidigt insåg att den största outnyttjade möjligheten inom AI för företag inte var stora språkmodeller (LLM), utan AI byggd för strukturerad affärsdata. Han uttalade: ”Att kombinera deras frontlinjearbete med företagsdata och kundtillgång är hur vi tänker leda denna kategori globalt” .

Frank Hutter, vd för Prior Labs, sade: ”Att gå med i SAP-familjen ger oss resurser, datamiljö och kundtillgång för att ta denna kategori till sin fulla potential” . I ett inlägg på LinkedIn efter slutförandet tillade han: ”Samma team, samma kontor, samma uppdrag, öppna modeller, backade med över en miljard euro. Vad förändras? Skalan och planeringshorisonten. SAP är den perfekta partnern, med en enorm skala av tabulär data och distribution” .

Den sammanslagna enheten planerar att bedriva frontlinjeforskning inom AI för företag, vetenskapliga upptäckter, kausalitet, relationsdata och agentbaserade system – med andra ord att gå bortom korrelation mot kausalitet och att möjliggöra agentbaserad AI som förstår tabeller, språk och bilder för att resonera och anpassa sig dynamiskt . SAP har också skissat på ambitiösa mål inom medicinsk data och materialvetenskap, med tillämpningar som redan demonstrerats inom onkologisk diagnos, kliniskt beslutsfattande och forskning om batterimaterial .