对比实验Nori-30M在TabArena/TALENT/OpenML三大基准测试中的卓越表现【免费下载链接】Nori-30M项目地址: https://ai.gitcode.com/hf_mirrors/Synthefy/Nori-30MNori-30M是一款拥有约29.2M参数的表格基础模型专为回归任务设计通过上下文学习ICL在无需任务特定训练或微调的情况下仅需少量标记行作为上下文就能在单次前向传播中对新查询行进行预测且完全基于合成数据训练。三大基准测试表现概览 Nori-30M在三个公共基准测试套件的96个回归任务中展现出了优异性能以下是其平均和中位数R²值测试套件数据集数量平均R²中位数R²TabArena130.81480.8834TALENT720.75750.8844OpenML110.64590.6212总体960.75250.8745各基准测试详细分析 TabArena小数据集上的稳定发挥在包含13个数据集的TabArena测试中Nori-30M取得了0.8148的平均R²和0.8834的中位数R²。这表明该模型在小型表格数据场景下能够稳定地进行回归预测充分发挥其上下文学习的优势。TALENT大规模数据集的高效处理面对TALENT测试中的72个数据集Nori-30M依然保持了良好的性能平均R²为0.7575中位数R²达到0.8844。这体现了模型在处理大规模、多样化表格数据时的高效性和可靠性。OpenML复杂数据的挑战应对OpenML测试包含11个数据集Nori-30M在此取得了0.6459的平均R²和0.6212的中位数R²。虽然相比前两个测试套件略有差距但考虑到OpenML数据的复杂性这样的结果依然展示了模型的强大适应能力。模型优势与使用方法 ✨Nori-30M相比约6M参数的基础版在每个测试套件上都表现更强。使用时只需通过pip install synthefy-nori安装库然后按照以下方式调用from sklearn.datasets import load_diabetes from sklearn.model_selection import train_test_split from synthefy_nori import NoriRegressor X, y load_diabetes(return_X_yTrue) X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.2, random_state0) model NoriRegressor(modelnori-30m) model.fit(X_train, y_train) pred model.predict(X_test)模型会自动使用GPU如有否则回退到CPU。也可使用简洁的predict函数直接获取预测结果。总结Nori-30M在TabArena、TALENT和OpenML三大基准测试中均展现出卓越的回归性能尤其是在中小规模数据集上表现突出。其基于合成数据训练的特性和无需微调的便捷使用方式使其成为表格回归任务的理想选择。模型参数文件为nori.pt配置信息可参考config.json。引用software{synthefy_nori_2026, title {Nori: A Tabular Foundation Model Trained on Synthetic Data}, author {Synthefy}, year {2026}, url {https://github.com/Synthefy/synthefy-nori} }【免费下载链接】Nori-30M项目地址: https://ai.gitcode.com/hf_mirrors/Synthefy/Nori-30M创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考