테이블(정형) 데이터 전용 파운데이션 모델로, scikit-learn 스타일의 fit

/predict

인터페이스로 분류·회귀 작업을 바로 수행 가능

• 기본 모델
  TabPFN-2.6은 순수 합성 데이터로 학습되었으며, 최초 사용 시 체크포인트를 자동 다운로드하여 별도 학습 파이프라인 구성이 필요없음
  데이터 전처리도 필요 없음: 스케일링, 원-핫 인코딩 등을 적용하지 않고 원본 데이터를 그대로 입력해야 하며, 결측값도 자체 처리 가능
• GPU 권장(~8GB VRAM 이상)이며, CPU에서는 약
  1,000개 샘플 이하만 실행 가능하고, GPU 없는 환경을 위해 TabPFN Client(클라우드 추론) 제공
• 배치 예측 필수: 개별 샘플마다
  predict

호출 시 학습 세트를 매번 재계산하므로, 단일 호출 대비 약 100배 느림 — 테스트 세트는 1,000개 단위로 분할 권장

• 최적 성능 범위는
  10만 샘플, 2,000 피처 이하이며, 5만~10만 샘플은 ignore_pretraining_limits=True

설정, 10만 초과 시 Large Datasets Guide 적용
TabPFN Extensions로 SHAP 해석, 이상치 탐지, 합성 데이터 생성, 임베딩 추출, 하이퍼파라미터 최적화, Post-Hoc 앙상블 등 확장 기능 제공

• HuggingFace에
  다수의 특화 체크포인트 제공: 대규모 피처(최대 1,000), 대규모 샘플(3만+), 소규모 샘플(3K 미만), 실제 데이터 파인튜닝 버전 등
  Enterprise Edition에서는 증류 엔진 기반 저지연 추론, 최대 1,000만 행 지원, 상용 라이선스 제공
• 코드 없이 사용할 수 있는
  TabPFN UX(노코드 그래픽 인터페이스)도 별도 제공
• 코드는 Prior Labs License(Apache 2.0 + 귀속 요건), TabPFN-2.5/2.6 모델 가중치는 비상업적 라이선스

댓글과 토론