清华稳准智能发布LimiX-2：参数扩至400M，登顶三大国际结构化数据评测榜首

事件概述

2026年9月16日，清华大学计算机系崔鹏教授团队与稳准智能联合发布新一代数据大模型 LimiX-2。该模型将参数规模扩展至400M，并在多个国际权威评测中取得突破性成绩，标志着结构化数据基础模型在通用性与因果推理能力上的重要进展。

核心信息

1. 性能表现：登顶国际主流榜单

LimiX-2 在三个国际主流结构化数据基准测试中总体 Elo 分数均排名第一，超越了 Google、SAP、Amazon 等国际科技巨头的同类模型：

• TabArena: Elo 分数 1935
• BCCO: Elo 分数 1432
• TALENT: Elo 分数 1506

这些基准覆盖回归、二分类、多分类等多类任务，是评估模型泛化能力和预测性能的重要依据。

2. 技术突破：从“目标预测”到“结构发现”

LimiX-2 的核心创新在于提出了 上下文机制网络（Contextual Mechanism Networks, CMNs），实现了建模范式的转变：

• 范式升级：传统模型（如 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，重点发现变量间的相互关联及内在结构。
• 架构设计：采用单元格级（Cell-Level）建模，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。
• 统一框架：通过上下文条件掩码建模（CCMM），将分类、回归、缺失值填补等任务统一为对同一数据模型的不同查询，使变量关系推断成为明确的预训练目标。

3. 训练策略优化

• 合成数据引擎升级：针对结构化数据难以大规模公开获取的问题，LimiX-2 升级了自动化合成数据生成引擎，可自动生成线性、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，增强模型在进入真实场景前的适应性。
• Scaling Law 验证：继此前发现“结构化数据基础模型遵循 Scaling Law”后，此次将参数扩大至 400M，进一步验证了该技术路线在更大规模下的泛化能力及因果关系挖掘优势。

4. 因果发现能力

LimiX-2 在因果发现领域展现出显著的技术优势。传统方法依赖专家先验或严格统计假设，难以应对高维企业数据。LimiX-2 在 Sachs、UF、Causal Chamber 等多个因果发现公开标准数据集上，表现显著优于传统因果发现方法，为结合因果假设开展因果骨架发现提供了统计基础。

值得关注

• 应用落地：截至2026年世界人工智能大会，上一代 LimiX 已完成 3800 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。典型应用场景包括工艺参数优化、设备故障预测、电力预测、能耗优化和材料科学等。

• 行业意义：随着 Google、Amazon 等国际团队加速研发，结构化数据基础模型正迎来类似 LLM 发展的关键节点。LimiX-2 的发布展示了中国技术团队依托产业场景驱动模型迭代的能力，推动 AI 从“预测”向“决策”演进。

• 技术报告: https://arxiv.org/abs/2609.17488

• GitHub: https://github.com/limix-ldm-ai/LimiX

• Huggingface: https://huggingface.co/stable-ai/LimiX-2

• ModelScope: https://modelscope.cn/models/stable-ai/LimiX-2