LimiX-2 nedir? 400 milyon parametreli tablo verisi yapay zekâ modeli

LimiX-2, Stable AI ile Tsinghua Üniversitesi’nden Prof. Peng Cui’nin grubunun geliştirdiği, yapılandırılmış ve tablo verileri için 400 milyon parametreli bir temel model. Projenin öne çıkan iddiası, tek bir önceden eğitilmiş kontrol noktasının görev için parametre ince ayarı gerektirmeden sınıflandırma, regresyon ve eksik özellik/değer tamamlama yapabilmesi. Resmî depo, açık sürümün 16 Eylül 2026’da yayımlandığını belirtiyor. 15

Nereden edinilebilir?

Resmî Hugging Face deposunda LimiX-2.ckpt ağırlıkları ve çıkarım kodu bulunuyor. Teknik rapor, LimiX-2: A Contextual Mechanism Network Towards General Structured-Data Intelligence başlığıyla arXiv’de yayımlandı ve depoda da bağlantısı veriliyor. 15

Tek model üç farklı tablo görevini nasıl üstleniyor?

Klasik tablo tahmin sistemleri çoğunlukla belirli bir hedefe odaklanır: özelliklerden ve örnek satırlardan hareketle bir sınıf etiketi ya da sayısal sonuç üretir. LimiX-2 ise yalnızca (p(y\mid x,D_{context})) hedefini değil, tablonun bağlama bağlı ortak yapısını, yani (p(x,y\mid D_{context})) öğrenmeye çalışıyor. Bu bakışta etiket tahmini, sürekli değer kestirimi ve maskelenmiş bir hücrenin doldurulması aynı genel probleme dönüşüyor: gözlenen hücrelerden ve bağlam satırlarından yararlanarak gözlenmeyen değeri çıkarımlamak. 1

Model bunun için Context-Conditional Masked Modeling (CCMM) adlı eğitim yöntemini kullanıyor. Her eğitim örneğinde satırlar bağlam kümesi ve sorgu kümesi olarak ayrılıyor; sorgu satırlarındaki bazı özellikler maskelenirken diğer gözlemler ve bağlam tablosu korunuyor. Eğitim, özelliklerin yeniden oluşturulması ile hedef tahminini birlikte ödüllendiriyor. Rapora göre sorgu satırları bağlam satırlarına dikkat verebiliyor, ancak birbirlerine dikkat veremiyor. Amaç, sorgu örnekleri arasındaki bilgi akışını engellemek ve çıktıları sorgu grubunun bileşiminden daha az etkilenir hâle getirmek. 1

Mimaride görev başına sonradan öğrenilen yeni başlıklar yerine, önceden eğitilmiş yapının içinde ayrı çıktı yolları bulunuyor. Sınıflandırma ve regresyon hedef gösterimlerinden çözülürken özellik yeniden oluşturma daha sığ bir gösterimden yararlanıyor. Regresyonda model, hedefi sıralı 5.000 kutu üzerindeki olasılık dağılımı olarak tahmin ediyor; ardından bunu sayısal tahmine dönüştürüyor. 1

Contextual Mechanism Networks neyi farklı yapıyor?

Yazarların Contextual Mechanism Networks (CMN) adını verdiği yaklaşımın varsayımı şu: Tablolarda etkili bağlam içi öğrenme, yalnızca belirli bir şemadaki özellik-hedef ilişkisini uydurmaktan ziyade değişkenlerin nasıl üretildiği ve birbirleriyle nasıl bağlandığına dair kalıpları yakalamalıdır. 1

Bu amaçla LimiX-2, yapısal nedensel modellerden üretilen sentetik tablolar üzerinde önceden eğitiliyor. Veri üretiminde grafik topolojileri, tek ve çok ebeveynli mekanizmalar, gözlenebilir değişken seçimleri ile dönüşüm ya da gözlem süreçleri çeşitlendiriliyor. Raporda ölçekleme, doğrusal olmayan eşlemeler gibi dönüşümlerden ve kimi zaman sürekli hedeflerin sınıflandırma hedefine çevrilmesinden de söz ediliyor. 1

Bu sentetik çeşitlilik, modelin çok sayıda tablo biçimi, özellik türü, eksiklik örüntüsü ve koşullu ilişkiyle karşılaşmasını sağlamayı amaçlıyor. Ancak bu durum, belirli bir kurumun veri şemasının modelin ön eğitim dağılımıyla mutlaka uyumlu olduğu anlamına gelmiyor.

Önceki LimiX çalışmalarının devamı

LimiX-2, genel yapılandırılmış veri modelleme yaklaşımını ve BCCO kıyaslama setini tanıtan önceki LimiX araştırma çizgisinin devamı. LimiX-2 raporu, önceki çalışmanın ölçekleme bulgularından yararlanarak modeli ciddi ölçüde büyüttüğünü ve sentetik yapısal nedensel model üretimini genişlettiğini anlatıyor. 12

Pratikte fark, ölçek ve kapsamda yatıyor: LimiX-2; her yeni sınıflandırma, regresyon veya veri tamamlama akışı için baştan eğitilmek yerine, çıkarım sırasında bağlamdan yararlanarak farklı tablolara aktarılabilecek daha büyük bir önceden eğitilmiş model olarak konumlandırılıyor. 1

Açıklanan benchmark sonuçları

Aşağıdaki değerler, LimiX-2 makalesi ve resmî deposundaki yazarların bildirdiği genel Elo puanlarıdır:

Benchmark	Bildirilen genel Elo	Karşılaştırılan yöntemler arasındaki durum
TabArena	1.935	Birinci; yuvarlama öncesi TabFM+’ın 117,4 puan önünde
TALENT	1.506	Birinci; bildirilen bir sonraki modelin 35 puan önünde
BCCO	1.432	Karşılaştırılan yöntemler arasında birinci

Depo ayrıca tam TabArena benchmark’ında dört tahmin metriğinin tamamında birincilik, %3,3 iyileştirilebilirlik, 5,5 ortalama sıra ve toplam 18,9 galibiyet bildiriyor. 145

Makale, güçlü sonuçların yalnızca tek bir görev türünden gelmediğini; hem regresyon hem sınıflandırmada görüldüğünü aktarıyor. Bu, ortak modelleme yaklaşımı için umut verici bir işaret olsa da kanıt; makaledeki veri kümeleri, ön işleme adımları, bölmeler, metrikler ve karşılaştırma ayarlarıyla sınırlı benchmark kanıtıdır. 1

Yazarlar ayrıca özellik-dikkat örüntülerinin kendi değerlendirmelerinde nedensel iskeletin çıkarılmasına yardımcı olabildiğini bildiriyor. Bu sonucu dar yorumlamak gerekir: Çalışma, kontrollü protokollerde yönsüz ilişkilerin geri kazanımıyla ilgilidir. Nedensel yönü belirlediğini, karıştırıcı etkileri dışladığını veya herhangi bir işletme veritabanında dikkat ağırlıklarının nedensel etkiyi gösterdiğini kanıtlamaz. 1

Hangi durumlarda faydalı olabilir?

Sayısal ve kategorik alanların birlikte bulunduğu tablolarla çalışan ekipler için LimiX-2, hızlı bir başlangıç modeli ya da ansambl içindeki ek bir model olarak denenebilir. Tek kontrol noktası yaklaşımı özellikle şu durumlarda ilgi çekici olabilir:

• aynı tablo ortamında sınıflandırma, regresyon ve eksik veri yeniden oluşturma ihtiyacı;
• küçük, alışılmadık veya sık değişen şemalar;
• kısmen gözlenen kayıtlar;
• ayrı görev odaklı boru hatlarına yatırım yapmadan önce hızlı ilk deneyler.

Sentetik ön eğitim; mekanizmalar, grafik yapıları, dönüşümler ve gözlenen değişkenlerdeki çeşitlilik etrafında tasarlanmış durumda. Dolayısıyla şemalar arası aktarım, sürümün temel hipotezlerinden biri; garanti ettiği bir sonuç değil. 1

AutoML hattını değiştirmeden önce kontrol edilmesi gerekenler

Güçlü benchmark sonucu, değerlendirmeyi bitirmez; başlatır.

Üretimi yansıtan bir ayırma kullanın. Rastgele eğitim/test bölmeleri gerçek kullanım koşullarını yanlış yansıtabilir. Modelin karşılaşacağı duruma göre zamana, müşteriye/varlığa, coğrafyaya, gruba ya da canlıya alma dönemine dayalı ayırmalar uygulayın.

Ayarlanmış temel modellerle karşılaştırın. LimiX-2’yi, kullanım senaryosunda anlamlı olan mevcut yöntemlerle; örneğin ayarlanmış gradyan artırma modelleri, AutoML sistemleri ve alan odaklı modellerle birlikte test edin. Elo puanı; görev seçkisine, ön işlemeye, puanlamaya, işlem bütçesine ve model sürümlerine duyarlıdır.

Gerçek şemayı doğrudan sınayın. Kimlik alanları, seyrek ya da çok yüksek kardinaliteli kategoriler, yoğun metin içeren sütunlar, zaman bağımlılığı, çok tablolulu birleştirmeler, değişen alan anlamları ve rastgele olmayan eksiklikler farklı bir ön işleme ya da farklı bir modelleme yaklaşımı gerektirebilir. Sentetik kapsama bu riskleri ortadan kaldırmaz.

Veri sızıntısını denetleyin. Sonuç oluştuktan sonra eklenen alanları, gelecek dönem kayıtlarını, yinelenen varlıkları, birleştirmelerden gelen hedef vekillerini ve katmanlar arası bilgiyi değerlendirme dışında tutun. Sorgu satırlarının birbirinden ayrılması yalnızca olası bir sızıntı yolunu ele alır; sütunlarda veya veri bölmelerinde zaten bulunan sızıntıyı düzeltemez. 1

Üretim kısıtlarını ölçün. Canlıya almadan önce gecikme, bellek, maliyet, kalibrasyon, izleme ihtiyacı, yeniden eğitim stratejisi ve deponun geçerli koşulları değerlendirilmelidir.

LimiX-2, bağlam içi öğrenmeyi yalnızca hedef tahmini için değil, tablonun tüm yaşam döngüsü için kullanışlı kılmaya yönelik dikkat çekici bir deneme. Bildirilen sonuçlar modeli uygulamalı test için güçlü bir aday yapıyor. Buna karşılık, özenle ayarlanmış özel bir hattı geçip geçmeyeceği ancak hedef veri üzerinde, gerçekçi ve veri sızıntısına dayanıklı bir değerlendirmeyle anlaşılabilir.