稳准智能与清华发布LimiX-2，400M参数登顶三大国际评测

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。在 TabArena、BCCO、TALENT 三个国际主流结构化数据 Benchmark 中，LimiX-2 总体 Elo 分数分别达到 1935、1432 和 1506，均位列榜单第一，超过 Google、SAP、Amazon 等国际大厂的同类模型。

LimiX-2 登顶国际主流 Benchmark 榜单

Elo 是衡量模型综合能力的排名指标。TabArena、BCCO、TALENT 是国际主流结构化数据模型评测基准，覆盖多类任务，用于评估模型在不同数据集上的泛化能力和预测性能，已成为当前结构化数据基础模型竞争的重要评价依据。

LimiX-2 在 TabArena 上的回归、二分类、多分类 Elo 均为最优

此次模型能力升级主要沿三条技术路线推进：

• 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；
• 在预训练阶段升级自动化合成数据的生成引擎；
• 进一步 Scaling，将模型参数规模扩大至 400M。

LimiX 团队提出上下文机制网络（CMNs），开辟从“目标预测”走向“结构发现”的结构化数据建模新范式。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，不仅关注变量取什么值，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。

这一范式转变重新确立了模型的学习目标。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。更重要的是，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。CMNs 所指向的，不只是更强的预测器，而是以联合建模为基础，以结构发现为方向，面向数据机制归纳的通用数据智能。

在训练数据上，LimiX-2 升级了大规模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，就接触更多的数据结构和变量关系。

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，此次新模型再次沿着这一技术路线，进一步将模型参数规模提升到 400M。参数增至 400M，将让 LimiX 所选技术路线在更大规模和尺度上得到验证，获得更强的泛化能力，因果关系规律的挖掘和稳定表达优势也能得到进一步的发挥。

除了各项榜单体现的分类、回归等预测能力外，LimiX-2 在因果发现方面也展现出技术突破性。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 采用上述一系列创新性技术路线后，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。

LimiX-2 在因果发现评测上显著领先

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，都是目前较典型的应用方向。

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，LimiX 等的中国技术团队也在持续打磨自创技术路线，并探索形成依托产业场景驱动模型迭代的中国模式。

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。”