Benchmark de Tabular Models: Rendimiento en 19 Datasets

Evaluamos 13 models de aprendizaje tabular en 19 datasets reales que abarcan aproximadamente 272.000 muestras, con tamaños de dataset de 435 a 48.800 filas. Cada model se ejecutó con validación cruzada de 5 pliegues en divisiones idénticas.

Resultados del benchmark de models de aprendizaje tabular

Cada dataset es un round-robin de enfrentamientos directos entre models, decidido por la métrica principal. Elo agrega todos los 1.398 enfrentamientos en una única calificación por model; una brecha de 200 puntos significa que el model mejor calificado gana aproximadamente 3 de cada 4 enfrentamientos. Los detalles están en la metodología.

• Ningún model lidera en solitario. La prueba de significancia no encuentra una brecha significativa entre los cinco primeros: LimiX-2 (1503), Kumo-Tabular (1438), TabPFN-3.5 (1363), TabFM (1325) y Causilo (1192). Los intervalos de Elo de los cuatro primeros se superponen.
• LimiX-2 terminó primero en 11 de los 19 datasets y entre los tres primeros en 17. Kumo-Tabular, que la prueba no distingue de él, promedia 7,6 segundos por fold, aproximadamente 15x más rápido.
• En 15 de los 18 datasets con un único ganador, la ventaja del ganador es menor que su propia desviación estándar entre folds. LimiX-2 lidera por más que esa diferencia en los otros tres: diabetes, electricity y employee_salaries.

Elo también maneja con equidad la cobertura parcial: Mitra solo se califica en los enfrentamientos que pudo jugar, es decir, los 12 datasets dentro de su límite de entrenamiento de 10.000 filas¹.

• LimiX-2 lidera en diabetes con 0.879 ROC-AUC frente a los 0.844 de Kumo-Tabular, y en employee_salaries con un RMSE de 2.743 frente a los 3.060 de TabPFN-3.5.
• En amazon_employee_access, cuya mayor columna categórica tiene 7.518 valores, LimiX-2 obtiene 0.898 frente a 0.863 de Regresión Logística, el mejor model clásico. La brecha es 3.5 veces la desviación estándar entre folds de LimiX-2.

La prueba de significancia (test de Friedman y luego la diferencia crítica de Nemenyi) sitúa a LimiX-2, Kumo-Tabular, TabPFN-3.5, TabFM y Causilo por delante de los cuatro models clásicos, ninguno de los cuales ganó un dataset. LimiX-2 y Kumo-Tabular también están por delante de TabICLv2, Mitra-v2 y TabPFN 3. La ventaja de TabPFN-3.5 sobre TabPFN 3 supera el umbral por 0.02 puntos de rango, la brecha significativa más estrecha de la prueba. Los detalles de la prueba están en la metodología.

Latencia de los models tabulares

• Los precios de GPU usan la tarifa B200 de la Community Cloud bajo demanda de RunPod de $5,98 por hora de GPU. Los models clásicos se ejecutaron en CPU (62 núcleos); cada foundation model se ejecutó en una B200.
• TabFM promedió 173,6 segundos por fold (mediana 16.9) y LimiX-2 111.9 (mediana 28.4). A ese ritmo, los tiempos por fold de TabFM para el benchmark completo costaron alrededor de $27 y los de LimiX-2 alrededor de $18; TabPFN-3.5 hizo el mismo trabajo por $0,68 y LightGBM se ejecutó en CPU.
• TabPFN-3.5 y Kumo-Tabular promedian 4.3 y 7,6 segundos por fold; la ejecución completa de Kumo-Tabular cuesta $1.19. Causilo (1,4 segundos) y Mitra-v2 (1.5) son los foundation models más rápidos.
• Los tiempos por fold excluyen el arranque en frío de TabFM: su backend de JAX tarda entre 20 y 25 minutos compilando los kernels de GPU antes de la primera predicción. Una caché de compilación persistente elimina esto en ejecuciones posteriores.
• LimiX-2 utilizó alrededor de 124 GB de memoria de GPU en los datasets más grandes. El backend de JAX de TabFM en el hardware B200 se encuentra con un bug documentado de cuBLAS en el stack predeterminado de CUDA 12, que JAX marca como un riesgo silencioso de corrupción de datos; el stack de CUDA 13 lo evita.
• TabFM vuelve a procesar los datos de entrenamiento como contexto en cada lote de predicción, por lo que la puntuación repetida sobre datos grandes multiplica su coste. Un model de XGBoost entrenado predice en microsegundos.

Resultados por tamaño de dataset y tipo de características

• Datasets pequeños (1.000 filas o menos): los foundation models ocupan los nueve primeros puestos tanto en datos numéricos como híbridos (numéricos más categóricos). LimiX-2 lidera en datos numéricos (93,7 % de ROC-AUC promedio). La Regresión Logística se mantiene en datos numéricos (91,2 %) y se derrumba en híbridos (77,5 %).
• Datasets medianos (1.001 a 10.000 filas): los foundation models lideran en ambos tipos de características. La brecha híbrida es amplia: LimiX-2 85,5 % de ROC-AUC promedio frente al 83,4 % del mejor model clásico, CatBoost.
• Datasets grandes (más de 10.000 filas): el viejo patrón de que “el boosting alcanza al escalar” ha desaparecido. En datos numéricos grandes, LimiX-2, Kumo-Tabular y TabPFN-3.5 promedian 99,6 % frente al 97,0 % de XGBoost. En datos híbridos grandes, LimiX-2 y TabPFN-3.5 lideran con 89,2 % frente al 87,6 % de LightGBM.
• Mitra-v2 promedia 95,6 % en datos numéricos grandes, por debajo de XGBoost. Ese segmento contiene un dataset binario, electricity, donde Mitra-v2 predice a partir de un contexto limitado.

Rango promedio por régimen

La vista de rango añade dos cosas que los promedios de ROC-AUC ocultan.

• LimiX-2 mantiene el rango promedio más alto en cinco de los seis regímenes, empatado con TabFM en datos numéricos medianos. En datos híbridos pequeños, su rango invertido de 9.5 lo coloca cuarto, por detrás de Kumo-Tabular (11.5), TabFM (10.0) y TabPFN-3.5 (9.8).
• Todos los foundation models excepto Mitra superan en rango a todos los models clásicos en los seis regímenes.

Victorias de los models por régimen

LimiX-2 obtiene puntos por victoria en los seis regímenes y 11.1 de los 19 puntos en total. TabFM puntúa en tres regímenes; Kumo-Tabular y TabPFN-3.5 en dos. Los models clásicos no puntúan. El empate a ocho bandas en monks-problems-2 divide un punto entre ocho, por lo que la mayoría de los foundation models muestran 0.1 en datos híbridos pequeños.

Observaciones específicas de los models

LimiX-2 (StableAI)

LimiX-2 tiene el mejor rango promedio (2.16) y 11 victorias directas. También tiene el segundo mayor coste computacional, con 111,9 segundos por fold y alrededor de 124 GB de memoria de GPU en los datasets más grandes².

Kumo-Tabular (NVIDIA)

Kumo-Tabular tiene el segundo rango promedio (2.63) con 7,6 segundos por fold, y la prueba de significancia no lo distingue de LimiX-2³. Terminó entre los tres primeros en 16 de 19 datasets.

TabPFN-3.5 (Prior Labs)

TabPFN-3.5 tiene el tercer rango promedio (3.26) con 4,3 segundos por fold, frente a los 4.2 de TabPFN 3. Su ventaja de rango sobre TabPFN 3 es significativa por el margen más estrecho de la prueba. SAP anunció la adquisición de Prior Labs en mayo de 2026⁴, lo que importa para los compradores empresariales que evalúan la estabilidad del proveedor.

TabFM (Google Research)

TabFM tiene el cuarto rango promedio (3.53) y terminó primero en tres datasets⁵. Sus tiempos por fold son alrededor de 40x los de TabPFN 3, su primera ejecución compila durante más de 20 minutos y está limitado a 10 clases y optimizado para hasta 500 características.

Causilo (Nums IA)

Causilo tiene el quinto rango promedio (4.89) con 1,4 segundos por fold, el foundation model más rápido del benchmark⁶. Ninguno de los cuatro models por encima de él está significativamente por delante.

TabICLv2 (Inria SODA)

TabICLv2 tiene el sexto rango promedio (6.58) con 3,1 segundos por fold⁷. Añade soporte para regresión, del que carecía el TabICL original, y completó los 19 datasets.

TabPFN 3 (Prior Labs)

TabPFN 3 tiene el octavo rango promedio (7.11) y completó los 19 datasets en 6.6 minutos de GPU⁸.

Mitra-v2 (Amazon)

Mitra-v2 tiene el séptimo rango promedio (7.00) con 1,5 segundos por fold⁹. Elimina el límite de 10.000 filas de Mitra y completó los 19 datasets, pero en cinco datasets binarios grandes predice a partir de una muestra de como máximo 16.384 filas de entrenamiento.

Mitra (Amazon, vía AutoGluon)

Un especialista en datos pequeños por diseño: un límite estricto de 10.000 filas de entrenamiento lo hace N/A en 7 de 19 datasets. En sus 12 datasets promedia un rango de 9.12 entre los 13 models. Mitra-v2 elimina el límite y obtiene un mejor rango.

Gradient boosting: LightGBM, CatBoost, XGBoost

Los árboles de gradient boosting ya no lideran en precisión en ningún régimen. LightGBM fue el mejor model clásico (rango promedio 9.74). CatBoost fue el mejor model clásico en datos híbridos medianos. XGBoost terminó último en rango promedio (10.79) y mostró una debilidad notable: con divisiones categóricas nativas en la regresión de employee_salaries de alta cardinalidad, obtuvo un RMSE de 10.894 mientras que LightGBM obtuvo 4.367 con entradas idénticas. Es un resultado de un solo dataset, pero vale la pena comprobarlo antes de confiar en el modo categórico de XGBoost.

El argumento de los árboles boosted en 2026 es operativo: entrenamiento por debajo de un segundo, inferencia en microsegundos, sin GPU, sin límites de filas y herramientas maduras.

Regresión Logística

La regresión logística tiene un rango promedio de 10.53 y, aun así, en amazon_employee_access supera a todos los árboles de gradient boosting, a TabPFN 3 y a TabICLv2. El one-hot disperso más un model lineal sigue siendo una base sólida y casi gratis en datos categóricos de alta cardinalidad. Mantenlo en cada benchmark.

Conclusiones clave

Cinco foundation models (LimiX-2, Kumo-Tabular, TabPFN-3.5, TabFM y Causilo) superan a los cuatro models clásicos con significación estadística en los 19 datasets, y los foundation models lideran en cada régimen de tamaño y de características. Esto se cumple solo cuando cada model recibe la entrada categórica para la que está diseñado; forzar la codificación one-hot en los in-context models los perjudica en datos de alta cardinalidad.

La prueba de significancia no distingue entre LimiX-2, Kumo-Tabular, TabPFN-3.5, TabFM y Causilo. Sus tiempos por fold van de 1,4 segundos (Causilo) a 173,6 segundos (TabFM).

De estos cinco, solo la licencia de Kumo-Tabular permite el uso comercial del model y de sus resultados sin un acuerdo aparte.

Zero-shot significa cero entrenamiento, no cero cómputo. Evalúa el volumen de predicción de tu carga de trabajo antes de elegir TabFM o LimiX-2.

¿Qué son los tabular foundation models?

Los tabular models tradicionales se entrenan desde cero en cada dataset. Los tabular foundation models (TFM) se preentrenan una vez en grandes colecciones de problemas tabulares, en su mayoría sintéticos, y se adaptan a nuevos datasets en el momento de la inferencia: las filas de entrenamiento entran como contexto y las predicciones salen de una pasada hacia adelante. No hay entrenamiento por gradiente ni ajuste de hiperparámetros.

TabPFN replantea el aprendizaje tabular como inferencia bayesiana amortizada: un transformer preentrenado en millones de tareas sintéticas se condiciona al dataset observado para producir predicciones⁸. TabPFN 3 está construido para hasta 1.000.000 filas y 2.000 características, con manejo nativo de categóricas.

TabICL extiende el aprendizaje in-context a las tablas: las filas se convierten en tokens estructurados y el model infiere reglas de decisión a partir de ejemplos de contexto¹⁰. TabICLv2 añadió soporte para regresión en febrero de 2026.

TabFM combina los dos enfoques: alterna la atención de fila y columna sobre las celdas sin procesar, comprime cada fila en un vector denso y luego aplica un transformer in-context sobre las filas comprimidas. Se entrenó con cientos de millones de datasets sintéticos generados a partir de models causales estructurales.

Mitra sigue la línea de TabPFN dentro de AutoGluon, ajustado para datos pequeños.

LimiX-2, Kumo-Tabular, TabPFN-3.5, Causilo y Mitra-v2 funcionan de la misma manera en este benchmark: cada uno predice a partir de las filas de entrenamiento como contexto, sin entrenamiento por gradiente en el dataset.

No te pierdas nuestros análisis comparativos e insights basados en datos. El botón abre Google; seleccionar AIMultiple confirma que deseas ver AIMultiple con más frecuencia en los resultados de búsqueda de Google.

Añadir como fuente preferida

Metodología del benchmark de Tabular Models

Models (13): LogisticRegression (regresión Ridge en los tres datasets de regresión), XGBoost, LightGBM, CatBoost, TabPFN 3, TabICLv2, TabFM, Mitra, LimiX-2, Kumo-Tabular, TabPFN-3.5, Causilo, Mitra-v2.

Datasets (19, OpenML): 15 de clasificación binaria, 1 multiclase, 3 de regresión; de 435 a 48.800 filas; características solo numéricas o híbridas (numéricas más categóricas). Se eliminaron las columnas con fugas conocidas.

Evaluación: validación cruzada estratificada de 5 pliegues (CV simple para regresión), semilla 42, divisiones idénticas para cada model. Métricas principales: ROC-AUC (binaria), macro-F1 (multiclase), RMSE (regresión). Hiperparámetros por defecto, sin tuning. Esto favorece a los models tuning-free: un XGBoost con tuning obtendría una puntuación mayor, y los presupuestos de tuning son en sí mismos un coste que no modelamos.

Configuración: los ajustes fijos del benchmark para los models clásicos, TabPFN 3, TabICLv2, TabFM y Mitra; para LimiX-2, Kumo-Tabular, TabPFN-3.5, Causilo y Mitra-v2, la configuración predeterminada en TabArena, una tabla de clasificación pública para tabular models. Ningún model se fine-tunea. El valor predeterminado de TabArena para Mitra-v2 fine-tunea durante 50 pasos en cada fold de entrenamiento; aquí Mitra-v2 se ejecuta sin eso.

Manejo de categóricas, según el diseño de cada model: dtype de categoría nativa para CatBoost, XGBoost, LightGBM, Causilo y Mitra-v2; características crudas con índices categóricos para TabPFN 3, TabPFN-3.5 y TabFM; columnas de texto crudo para LimiX-2; tipos de columna inferidos por el model para Kumo-Tabular; codificación ordinal para TabICLv2; one-hot más StandardScaler únicamente para Regresión Logística. Ningún model compatible con categóricas nativas se ve forzado a usar one-hot. La compensación: las celdas difieren en la representación de entrada por diseño. Forzar una única representación a todos los models parece más justo, pero penaliza a los models creados para una entrada diferente.

Entorno: un pod de RunPod con 2x NVIDIA B200 (183 GB), driver 580, Ubuntu 24.04. Models clásicos en CPU (62 núcleos), cada foundation model en una B200. PyTorch 2.8.0 cu128 para TabPFN 3, TabICLv2 y Mitra; JAX 0.10.1 con wheels de CUDA 13 para TabFM. LimiX-2, Kumo-Tabular, TabPFN-3.5, Causilo y Mitra-v2 se ejecutaron en pods de RunPod con una sola B200 (driver 595, CUDA 13.2), un model por GPU a la vez, cada uno en su propio entorno Python.

Latencia: tiempo de reloj por fold de ajuste más predicción, registrado dentro del harness. La compilación única de TabFM se excluye de los tiempos por fold y se reporta por separado.

Política de N/A: una celda es N/A solo por un límite documentado del model, con el motivo registrado en los logs. Los únicos N/A en los datos finales son los 7 datasets de Mitra por encima de su límite de 10.000 filas.

Límite de contexto de Mitra-v2: en datasets binarios con más de 16.384 filas de entrenamiento (adult, amazon_employee_access, bank-marketing-full, default_credit, electricity), Mitra-v2 predice a partir de una muestra equilibrada por clases de 16.384 filas de entrenamiento, remuestreada para cada lote de 16.384 filas de prueba. Este es el valor predeterminado de TabArena. El límite es de 32.768 filas para multiclase y regresión, que ningún dataset aquí supera.

Métricas de rango: dentro de cada dataset, los models se clasifican de 1 (mejor) a k según la métrica principal; el rango promedio de un model promedia estos valores en los datasets que completó. El gráfico de régimen muestra el rango invertido, k + 1 menos el rango, de modo que más alto es mejor y 13 significa primero entre ocho. Los puntos por victoria asignan a la mejor puntuación el punto único de cada dataset; los empates exactos lo dividen equitativamente, de modo que un empate a ocho bandas paga 0.125 a cada uno.

Estadística: test de Friedman más la diferencia crítica de Nemenyi en los 12 models de cobertura completa. Mitra queda excluido porque completó 12 de 19 datasets; incluirlo reduciría la prueba a esos 12. Los rangos promedio citados en las secciones de models provienen de esta prueba de 12 models; el de Mitra se calcula entre los 13 models en sus 12 datasets.

El test de Friedman da chi-cuadrado 165.8, p por debajo de 10^-29. La diferencia crítica es CD = q × sqrt(k(k+1) / (6N)), con q = 3.268 a un alfa de 0.05 para k = 12 models y N = 19 datasets, lo que da CD = 3.82: dos models difieren significativamente solo si sus rangos promedio están separados por más de 3.82. Los cuatro primeros van de 2.16 (LimiX-2) a 3.53 (TabFM), de modo que ninguna brecha entre ellos supera el umbral. La brecha de LimiX-2 con TabICLv2 es 4.42; la brecha de TabPFN-3.5 con TabPFN 3 es 3.84. Los intervalos de confianza del rango promedio provienen de un bootstrap de 10.000 muestras sobre los datasets.

Calificaciones Elo: cada dataset es un round-robin entre todos los models que lo completaron, 1.398 enfrentamientos por pares en total. El model con la mejor métrica principal gana el enfrentamiento (puntuación 1); los empates exactos puntúan 0.5 cada uno.

Las fórmulas usan cuatro cantidades. R(A) es la calificación actual del model A, el número que reporta el gráfico; todos los models comienzan con R = 1000. S(A) es la puntuación real que el model A obtuvo de un enfrentamiento: 1 por una victoria, 0.5 por un empate, 0 por una derrota. E(A) es la puntuación esperada, la probabilidad de victoria que las calificaciones actuales predicen para A antes de contar el enfrentamiento. K = 32 es el paso de actualización, que limita cuánto puede mover un enfrentamiento una calificación.

Antes de un enfrentamiento entre los models A y B, la puntuación esperada es E(A) = 1 / (1 + 10^((R(B) − R(A)) / 400)): cuando las calificaciones son iguales, da 0.5, y se acerca a 1 a medida que la calificación de A se adelanta. Después del enfrentamiento, la calificación se actualiza mediante R(A) = R(A) + K × (S(A) − E(A)), de modo que A gana cuando lo hace mejor de lo esperado y pierde puntos cuando lo hace peor; una victoria sorpresiva sobre un model mejor calificado paga más que una victoria rutinaria sobre uno más débil. La actualización es de suma cero, por lo que el promedio del grupo se mantiene en 1000, y una calificación cercana a 1000, como el 977 de Mitra-v2, se lee como un model promedio en este campo. El divisor de 400 fija la escala: con una brecha de 200 puntos, la puntuación esperada es 1 / (1 + 10^(−0.5)) = 0.76, que es de donde proviene lo de “gana aproximadamente 3 de cada 4 enfrentamientos”.

Una sola pasada de Elo depende del orden de los enfrentamientos, y los 19 datasets son en sí mismos una muestra. Por lo tanto, ejecutamos 1.000 rondas de bootstrap; cada ronda remuestrea los 19 datasets con reemplazo, reconstruye la lista de enfrentamientos, baraja el orden de los enfrentamientos y ejecuta Elo desde cero. La calificación publicada es la media entre rondas, y los intervalos del 95 % son los percentiles 2.5 y 97.5, que cubren tanto el muestreo de datasets como el ruido de orden. Elo es la visualización de resumen; el test de Friedman y Nemenyi sigue siendo el árbitro de la significancia.

Reproducibilidad: semilla fija 42, divisiones idénticas, resultados por fold y todos los scripts de merge, estadística y Elo en el repositorio del benchmark.

Cita este benchmark

Elige el formato que se ajuste al lugar donde vas a publicar. Pegar la versión con enlace en tu CMS conserva el enlace de retroceso.

@misc{kalelioglu2026,
  author = {Kalelioğlu, Berk and Dilmegani, Cem},
  title  = {{Benchmark de Tabular Models: Rendimiento en 19 Datasets}},
  year   = {2026},
  month  = jul,
  howpublished    = {\url{https://aimultiple.com/tabular-models}},
  note   = {AIMultiple. Recuperado el 3 de julio de 2026}
}

Registro de cambios

3 actualizaciones

Todas3General2Metodología1

2026

1. 3 de jul

   Añadido TabFM al benchmark, liderando cada régimen de datos.

2. 19 de may

   Reemplazado TabPFN por TabPFN 3 en los resultados, las clasificaciones y las limitaciones del benchmark.

3. 19 de may

   Se reemplazó TabPFN por TabPFN 3 en la lista de modelos evaluados.

Enlaces de referencia

1.

AutoGluon Tabular - Foundational Models - AutoGluon 1.6.1 documentation

2.

[2609.17488] LimiX-2: A Contextual Mechanism Network Towards General Structured-Data Intelligence

3.

GitHub - NVIDIA/structured-data-models: Foundation Models for Structured Data · GitHub

4.

SAP to Acquire Prior Labs | SAP News Center

SAP

5.

Introducing TabFM: A zero-shot foundation model for tabular data

6.

[2609.22866] Causilo Technical Report

7.

[2602.11139] TabICLv2: A better, faster, scalable, and open tabular foundation model

8.

[2207.01848] TabPFN: A Transformer That Solves Small Tabular Classification Problems in a Second

9.

[2609.04540] Mitra-v2 Technical Report

10.

[2502.05564] TabICL: A Tabular Foundation Model for In-Context Learning on Large Data

Berk Kalelioğlu

Investigador de IA

Síguenos

Berk es Investigador de IA en el equipo de benchmark de AIMultiple, centrándose en IA agéntica, aprendizaje automático y los models de lenguaje grandes y pequeños (LLMs y SLMs).

Ver perfil completo

Investigado por

Cem Dilmegani

Analista Principal

Síguenos

Cem ha sido el analista principal en AIMultiple desde 2017.

El trabajo de Cem en AIMultiple ha sido citado por publicaciones líderes mundiales como Business Insider, Forbes, Morning Brew y Washington Post, empresas globales como Deloitte y HPE, ONG como World Economic Forum y organizaciones supranacionales como European Commission. [1], [2], [3], [4], [5]

A lo largo de su carrera, Cem trabajó como consultor tecnológico, comprador de tecnología y emprendedor tecnológico. Asesoró a empresas en sus decisiones tecnológicas en McKinsey & Company y Altman Solon durante más de una década. También publicó un informe de McKinsey sobre digitalización.

Dirigió la estrategia tecnológica y las adquisiciones de una empresa de telecomunicaciones reportando al CEO. También lideró el crecimiento comercial de la empresa de deep tech Hypatos, que alcanzó unos ingresos recurrentes anuales de 7 dígitos y una valoración de 9 dígitos desde 0 en 2 años. El trabajo de Cem en Hypatos fue cubierto por publicaciones tecnológicas líderes como TechCrunch y Business Insider.

Cem participa habitualmente en conferencias internacionales de tecnología. Se graduó en Bogazici University como ingeniero informático y tiene un MBA de Columbia Business School.

Ver perfil completo

Sé el primero en comentar

Tu dirección de correo electrónico no será publicada. Todos los campos son obligatorios. Los comentarios se dejan en su idioma original.

Nombre

Dirección de correo electrónico

Comentario

0/450

Publicar comentario