清華穩準智能聯合發佈LimiX-2，結構化數據基礎模型登頂國際評測榜單

9月16日，穩準智能聯合清華大學計算機系崔鵬教授，發佈新一代數據大模型 LimiX-2，模型參數規模提升至400M。在TabArena、BCCO、TALENT三個國際主流結構化數據Benchmark中，LimiX-2總體Elo分數分別達到1935、1432和1506，均位於榜單第一，超過Google、SAP、Amazon等國際大廠的同類模型。在TabArena、BCCO、TALENT三個國際主流結構化數據Benchmark中，LimiX-2 總體Elo分數分別達到1935、1432和1506，均位於榜單第一，超過Google、SAP、Amazon等國際大廠的同類模型。

LimiX-2 登頂國際主流Benchmark榜單Elo是衡量模型綜合能力的排名指標。TabArena、BCCO、TALENT是國際主流結構化數據模型評測基準，覆蓋多類任務，用於評估模型在不同數據集上的泛化能力和預測性能，已成為當前結構化數據基礎模型競爭的重要評價依據。LimiX-2在TabArena上的迴歸、二分類、多分類Elo均為最優這次模型能力升級主要沿著3條技術路線推進。

第一是上下文機制網絡CMNs（Contextual Mechanism Networks），作為預測依賴關係的系統，將建模重點從預先指定的目標變量，轉向變量之間的相互關聯；第二是在預訓練階段升級自動化合成數據的生成引擎；第三是進一步Scaling，將模型參數規模擴大至400M。LimiX團隊提出上下文機制網絡（CMNs），開闢從“目標預測”走向“結構發現”的結構化數據建模新範式。傳統經典 PFNs以指定目標的預測分佈為核心； CMNs 則將上下文數據的全變量聯合依賴作為建模對象，不僅關注變量取什麼值，更著眼於發現變量如何相互關聯、共同構成怎樣的內在結構。這一範式轉變重新確立了模型的學習目標。

LimiX 通過上下文條件掩碼建模（CCMM），在不同觀測模式下組織跨變量監督，將變量關係推斷確立為明確的預訓練目標。模型不再僅為某個指定結果學習相關信息，而是通過多種條件預測，共同約束對全變量依賴結構的表達。這一原則也貫穿網絡架構。因而，LimiX 採用單元格級（Cell-Level）建模，以變量在各樣本中的觀測為基本表示單元，保留列身份、具體取值和缺失狀態，支持跨變量、跨樣本的信息交互。從數據表示、訓練目標到網絡計算，整體設計圍繞聯合依賴建模展開。在這一框架下，分類、迴歸、缺失值填補等任務，被統一為對同一數據模型的不同查詢。

更重要的是，聯合關係建模為結合因果假設開展因果骨架發現提供統計基礎。CMNs所指向的，不只是更強的預測器，而是以聯合建模為基礎，以結構發現為方向，面向數據機制歸納的通用數據智能。在訓練數據上，LimiX-2升級了大規模自動化合成數據的生成引擎。結構化數據大量存在於企業內部系統，很難像互聯網文本一樣被大規模公開獲取，因此TabPFN、Mitra等表格基礎模型也普遍使用合成數據進行預訓練。LimiX-2 可以自動生成線性、非線性、多變量交互、週期變化和噪聲擾動等不同分佈的數據，讓模型在進入真實企業之前，就接觸更多的數據結構和變量關係。

繼去年11月，穩準智能發現並提出“結構化數據基礎模型遵循Scaling Law”之後，此次新模型再次沿著這一技術路線，進一步將模型參數規模提升到400M。參數增至400M，將讓LimiX所選技術路線在更大規模和尺度上得到驗證，獲得更強的泛化能力，因果關係規律的挖掘和穩定表達優勢也能得到進一步的發揮。除了各項榜單體現的分類、迴歸等預測能力外，LimiX-2在因果發現方面也展現出技術突破性。傳統因果發現方法依賴專家先驗或嚴格的統計假設，難以應對高維企業數據。

LimiX-2採用上述一系列創新性技術路線後，在Sachs, UF，Causal Chamber等多個因果發現公開標準數據集上顯著領先傳統因果發現方法。LimiX-2 在因果發現評測上顯著領先截至2026年世界人工智能大會，上一代LimiX已完成800餘個跨行業、跨場景的公開數據集驗證，並實現60餘個真實場景落地。此前在多個真實場景的驗證中，LimiX把過去“一項任務訓練一個專用模型”的傳統機器學習方式，轉變為由一個基礎模型跨場景、跨數據集的通用預測能力。工藝參數優化、設備故障預測、電力預測、能耗優化和材料科學，都是目前較典型的應用方向。

跟LLM賽道發展類似，結構化數據基礎模型即將迎來GPT3時刻，國際競爭烈度不斷增強。Google、Amazon、SAP等多個國內外知名團隊不斷加速模型研發進程，LimiX等的中國技術團隊也在持續打磨自創技術路線，並探索形成依託產業場景驅動模型迭代的中國模式。穩準智能首席科學家崔鵬表示：“LimiX-2 的發佈和此次Benchmark 成績，是團隊在結構化數據大模型方向持續探索的重要階段性成果。我們仍將長期堅持這一技術路線，並不斷提升模型對數據規律和變量因果關係的理解能力。未來，我們將繼續推動模型在因果智能方向上的發展，助力人工智能更快速地從預測走向決策。

技術報告標題：LimiX-2: A Contextual Mechanism Network Towards General Structured-Data Intelligence技術報告地址：https://arxiv.org/abs/2609.17488Github：https://github.com/limix-ldm-ai/LimiXHuggingface：https://huggingface.co/stable-ai/LimiX-2model scope: https://modelscope.cn/models/stable-ai/LimiX-2