清华稳准智能发布LimiX-2：结构化数据基础模型登顶三大国际评测榜单

事件概述

2026年9月16日，稳准智能联合清华大学计算机系崔鹏教授正式发布新一代数据大模型 LimiX-2。作为结构化数据基础模型的代表，LimiX-2 在多个关键维度实现技术突破，并登顶国际主流评测榜单。

核心信息

1. 评测成绩与国际地位

在 TabArena、BCCO 和 TALENT 三个国际主流结构化数据 Benchmark 中，LimiX-2 的总体 Elo 分数分别达到 1935、1432 和 1506，均位居榜首。这一成绩超过了 Google、SAP、Amazon 等国际科技巨头的同类模型，标志着中国团队在结构化数据基础模型领域的竞争力显著提升。

• TabArena: 回归、二分类、多分类任务的 Elo 分数均为最优。
• Benchmark 意义: TabArena、BCCO、TALENT 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，是当前结构化数据基础模型竞争的重要评价依据。

2. 技术路线升级

LimiX-2 的能力提升主要依托三条核心技术路线：

• 上下文机制网络 (CMNs):

  • 范式转变: 从传统的“指定目标变量预测”转向“变量间相互关联的结构发现”。CMNs 将上下文数据的全变量联合依赖作为建模对象，不仅关注取值，更着眼于发现变量如何共同构成内在结构。
  • 架构创新: 采用单元格级（Cell-Level）建模，以变量在各样本中的观测为基本单元，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。
  • 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，并为结合因果假设开展因果骨架发现提供统计基础。

• 预训练数据引擎升级:

  • 针对结构化数据难以大规模公开获取的痛点，LimiX-2 升级了自动化合成数据生成引擎。
  • 能够自动生成线性、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，使模型在进入真实企业场景前接触更多样的数据结构。

• Scaling Law 验证:

  • 基于此前发现的“结构化数据基础模型遵循 Scaling Law”，此次将模型参数规模扩大至 400M。
  • 更大规模的参数验证了技术路线的有效性，增强了模型的泛化能力，并提升了因果关系规律的挖掘和稳定表达优势。

3. 因果发现能力突破

除了预测能力，LimiX-2 在因果发现方面展现出显著优势：

• 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，表现显著领先于传统因果发现方法。

4. 落地应用与行业影响

• 前期验证: 截至2026年世界人工智能大会，上一代 LimiX 已完成800余个跨行业、跨场景的公开数据集验证，并实现60余个真实场景落地。
• 典型场景: 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。
• 行业趋势: 结构化数据基础模型正迎来类似 LLM 的 GPT-3 时刻，国际竞争加剧。LimiX-2 的发布展示了依托产业场景驱动模型迭代的中国技术模式，推动人工智能从“预测”走向“决策”。