Tablo Modelleri Benchmark'ı: 19 Veri Kümesi Üzerinde Performans

13 tablo öğrenme modelini, 19 gerçek dünya veri kümesi üzerinde, yaklaşık 272.000 örneği kapsayacak şekilde, veri kümesi boyutları 435 ile 48.800 satır arasında değişirken değerlendirdik. Her model, aynı bölümlemeler üzerinde 5 katlı çapraz doğrulamayla çalıştırıldı.

Tablo öğrenme modelleri benchmark sonuçları

Her veri kümesi, birincil metrik tarafından belirlenen, modeller arasında bire bir eşleşmelerden oluşan bir round-robin turnuvasıdır. Elo, model başına tüm 1.398 eşleşmeyi tek bir puana dönüştürür; 200 puanlık fark, daha yüksek puanlı modelin her 4 eşleşmenin yaklaşık 3’ünü kazanacağı anlamına gelir. Ayrıntılar metodolojide yer alır.

• Tek bir model önde değil. Anlamlılık testi, ilk beş arasında anlamlı bir fark bulmuyor: LimiX-2 (1503), Kumo-Tabular (1438), TabPFN-3.5 (1363), TabFM (1325) ve Causilo (1192). İlk dördün Elo aralıkları örtüşüyor.
• LimiX-2, 19 veri kümesinin 11'inde birinci oldu ve 17'sinde ilk üçte yer aldı. Testin ondan ayıramadığı Kumo-Tabular ise kat başına ortalama 7,6 saniye sürüyor; yaklaşık 15x daha hızlı.
• Tek kazananı olan 18 veri kümesinin 15'inde, kazananın farkı kendi katlar arası standart sapmasından daha küçüktür. LimiX-2, diğer üçünde bundan daha fazla farkla önde: diabetes, electricity ve employee_salaries.

Elo ayrıca kısmi kapsamı adil biçimde ele alır: Mitra yalnızca oynayabildiği eşleşmelerde puanlanır; yani 12 veri kümesi, 10.000 satırlık eğitim sınırı içinde¹.

• LimiX-2, diabetes veri kümesinde 0.879 ROC-AUC ile Kumo-Tabular’ın 0.844 değerine, employee_salaries veri kümesinde ise RMSE 2.743 ile TabPFN-3.5’in 3.060 değerine karşı önde.
• En büyük kategorik sütunu 7.518 değere sahip amazon_employee_access üzerinde, LimiX-2 0.898 puan alırken; en iyi klasik model olan Logistic Regression için bu değer 0.863. Fark, LimiX-2’nin kat standart sapmasının 3.5 katıdır.

Anlamlılık testi (Friedman testi ve ardından Nemenyi kritik farkı), LimiX-2, Kumo-Tabular, TabPFN-3.5, TabFM ve Causilo’yu, hiçbiri bir veri kümesi kazanamayan dört klasik modelin önüne koyuyor. LimiX-2 ve Kumo-Tabular ayrıca TabICLv2, Mitra-v2 ve TabPFN 3’ün de önünde. TabPFN-3.5’in TabPFN 3’e karşı farkı eşiği 0.02 sıra puanıyla aşıyor; bu, testteki en dar anlamlı farktır. Test ayrıntıları metodolojide.

Tablo modellerinin gecikme süreleri

• GPU fiyatlandırması, RunPod’un isteğe bağlı Community Cloud B200 ücreti olan GPU-saati başına $5,98’i kullanır. Klasik modeller CPU üzerinde (62 çekirdek) çalıştı; her foundation model bir B200 üzerinde çalıştı.
• TabFM kat başına ortalama 173,6 saniye (medyan 16.9) ve LimiX-2 111.9 (medyan 28.4) süre kullandı. Bu hızda, tüm benchmark için TabFM’nin kat süreleri yaklaşık $27, LimiX-2’ninki ise yaklaşık $18 tuttu; TabPFN-3.5 aynı işi $0,68 karşılığında yaptı ve LightGBM CPU üzerinde çalıştı.
• TabPFN-3.5 ve Kumo-Tabular kat başına ortalama 4.3 ve 7,6 saniye süre kullanıyor; Kumo-Tabular’ın tüm çalışması $1,19 tutuyor. Causilo (1,4 saniye) ve Mitra-v2 (1.5) en hızlı foundation modellerdir.
• Kat süreleri TabFM’nin soğuk başlatmasını hariç tutar: JAX arka ucu, ilk tahminden önce kabaca 20 ila 25 dakika boyunca GPU çekirdeklerini derler. Kalıcı derleme önbelleği, sonraki çalıştırmalarda bunu ortadan kaldırır.
• LimiX-2, en büyük veri kümelerinde yaklaşık 124 GB GPU belleği kullandı. TabFM’nin B200 donanımındaki JAX arka ucu, varsayılan CUDA 12 yığınında belgelenmiş bir cuBLAS hatasıyla karşılaşıyor; JAX bunu sessiz veri bozulması riski olarak işaretliyor. CUDA 13 yığını bu durumu önlüyor.
• TabFM, her tahmin partisinde eğitim verilerini bağlam olarak yeniden işler; bu nedenle büyük verilerde tekrarlanan puanlama maliyetini artırır. Eğitilmiş bir XGBoost modeli mikrosaniyeler içinde tahmin yapar.

Veri kümesi boyutuna ve özellik türüne göre sonuçlar

• Küçük veri kümeleri (1.000 veya daha az satır): foundation modeller hem sayısal hem de hibrit (sayısal artı kategorik) verilerde ilk dokuz sırayı alır. LimiX-2 sayısal verilerde öndedir (ortalama ROC-AUC %93,7). Logistic Regression sayısal verilerde dayanır (%91,2) ve hibrit verilerde çöker (%77,5).
• Orta boy veri kümeleri (1.001 ila 10.000 satır): foundation modeller her iki özellik türünde de öndedir. Hibrit fark geniştir: LimiX-2 ortalama ROC-AUC %85,5 ile en iyi klasik model CatBoost’un %83,4 değerine karşı öndedir.
• Büyük veri kümeleri (10.000 üzeri satır): eski “ölçekte boosting yetişir” deseni artık geçerli değil. Büyük sayısal verilerde LimiX-2, Kumo-Tabular ve TabPFN-3.5 ortalama %99,6 ile XGBoost’un %97,0 değerine karşı öndedir. Büyük hibrit verilerde ise LimiX-2 ve TabPFN-3,5 %89,2 ile LightGBM’in %87,6 değerine karşı öndedir.
• Mitra-v2, büyük sayısal verilerde ortalama %95,6 ile XGBoost’un altında kalır. Bu grup, Mitra-v2’nin sınırlı bir bağlamdan tahmin yaptığı tek ikili veri kümesi olan electricity’yi içerir.

Rejime göre ortalama sıralama

Sıralama görünümü, ROC-AUC ortalamalarının gizlediği iki şeyi ekler.

• LimiX-2, altı rejimin beşinde en iyi ortalama sıralamayı elinde tutar; orta boy sayısal verilerde TabFM ile eşit sıradadır. Küçük hibrit verilerde 9.5 olan ters sıralaması onu dördüncü yapar; Kumo-Tabular (11.5), TabFM (10.0) ve TabPFN-3.5 (9.8)’in gerisinde kalır.
• Mitra dışındaki her foundation model, altı rejimin tamamında her klasik modelden daha üst sıradadır.

Rejime göre model galibiyetleri

LimiX-2, altı rejimin tamamında galibiyet puanı alır ve 11.1 puan alır; toplam puan 19'dur. TabFM üç rejimde; Kumo-Tabular ve TabPFN-3.5 iki rejimde puan alır. Klasik modeller hiç puan alamaz. monks-problems-2 üzerindeki sekiz yönlü beraberlik bir puanı sekize böler; bu nedenle çoğu foundation model küçük hibrit verilerde 0.1 gösterir.

Modele özgü gözlemler

LimiX-2 (StableAI)

LimiX-2 en iyi ortalama sıralamaya (2.16) ve 11 doğrudan galibiyete sahiptir. Ayrıca, kat başına 111,9 saniye ve en büyük veri kümelerinde yaklaşık 124 GB GPU belleği ile ikinci en yüksek hesaplama maliyetine sahiptir².

Kumo-Tabular (NVIDIA)

Kumo-Tabular ikinci ortalama sıralamaya (2.63) sahiptir, kat başına 7,6 saniye ile ve anlamlılık testi onu LimiX-2’den ayırmaz³. 19 veri kümesinin 16’sında ilk üçte yer aldı.

TabPFN-3.5 (Prior Labs)

TabPFN-3.5 üçüncü ortalama sıralamaya (3.26) sahiptir, kat başına 4,3 saniye ile; TabPFN 3’ün 4,2 saniyesine karşı. TabPFN 3’e karşı sıralama farkı, testteki en dar farkla anlamlıdır. SAP, Mayıs 2026’da Prior Labs’ı satın aldığını duyurdu⁴; bu, satıcı istikrarını değerlendiren kurumsal alıcılar için önemlidir.

TabFM (Google Research)

TabFM dördüncü ortalama sıralamaya (3.53) sahiptir ve üç veri kümesinde birinci oldu⁵. Kat süreleri TabPFN 3’ün yaklaşık 40x katıdır; ilk çalıştırması 20 dakikadan fazla derleme yapar ve 10 sınıfla sınırlı olup 500 özelliğe kadar optimize edilmiştir.

Causilo (Nums AI)

Causilo beşinci ortalama sıralamaya (4.89) sahiptir, kat başına 1,4 saniye ile; benchmark’taki en hızlı foundation modeldir⁶. Üstündeki dört modelin hiçbiri ondan anlamlı şekilde önde değildir.

TabICLv2 (Inria SODA)

TabICLv2 altıncı ortalama sıralamaya (6.58) sahiptir, kat başına 3,1 saniye ile⁷. Orijinal TabICL’de olmayan regresyon desteğini ekler ve 19 veri kümesinin tamamını tamamladı.

TabPFN 3 (Prior Labs)

TabPFN 3 sekizinci ortalama sıralamaya (7.11) sahiptir ve 19 veri kümesinin tamamını 6.6 GPU-dakikada tamamladı⁸.

Mitra-v2 (Amazon)

Mitra-v2 yedinci ortalama sıralamaya (7.00) sahiptir, kat başına 1,5 saniye ile⁹. Mitra’nın 10.000 satır sınırını kaldırır ve 19 veri kümesinin tamamını tamamlar; ancak beş büyük ikili veri kümesinde en fazla 16.384 eğitim satırından oluşan bir örneklemden tahmin yapar.

Mitra (Amazon, via AutoGluon)

Tasarım gereği küçük veri uzmanıdır: sabit 10.000 satır eğitim sınırı, 19 veri kümesinin 7’sinde N/A olmasına neden olur. Kendi 12 veri kümesinde ortalama 9.12 sıralama elde eder; toplam 13 model arasında. Mitra-v2 sınırı kaldırır ve daha üst sıralarda yer alır.

Gradient boosting: LightGBM, CatBoost, XGBoost

Gradient boosting ağaçları artık hiçbir rejimde doğrulukta önde değil. LightGBM en iyi klasik modeldi (ortalama sıralama 9.74). CatBoost orta boy hibrit verilerde en iyi klasik modeldi. XGBoost ortalama sıralamada sonuncu oldu (10.79) ve dikkate değer bir zayıflık gösterdi: yüksek kardinaliteli employee_salaries regresyonunda yerel kategorik bölünmelerle, aynı girdilerde RMSE 10.894 puan aldı; LightGBM ise 4.367 puan aldı. Bu tek veri kümesine ait bir sonuçtur, ancak XGBoost’un kategorik moduna güvenmeden önce kontrol edilmeye değer.

Güçlendirilmiş ağaçların 2026’daki avantajı operasyoneldir: saniye altı eğitim, mikrosaniye çıkarım, GPU gerektirmeme, satır sınırı olmaması ve olgun araçlar.

Logistic Regression

Logistic regression ortalama 10.53 sıralamaya sahiptir; yine de amazon_employee_access üzerinde her gradient boosted ağacı, TabPFN 3’ü ve TabICLv2’yi yener. Seyrek one-hot artı doğrusal bir model, yüksek kardinaliteli kategorik verilerde güçlü ve neredeyse ücretsiz bir taban çizgisi olmaya devam eder. Her benchmark'ta bulundurun.

Önemli çıkarımlar

Beş foundation model (LimiX-2, Kumo-Tabular, TabPFN-3.5, TabFM ve Causilo), 19 veri kümesi genelinde tüm dört klasik modeli istatistiksel anlamlılıkla yener ve foundation modeller her boyut ve özellik rejiminde öndedir. Bu durum yalnızca her modelin tasarlandığı kategorik girdiyi aldığında geçerlidir; bağlam içi modellere one-hot kodlama dayatmak, yüksek kardinaliteli verilerde onları ciddi şekilde zayıflatır.

Anlamlılık testi LimiX-2, Kumo-Tabular, TabPFN-3.5, TabFM ve Causilo’yu birbirinden ayırmaz. Kat süreleri 1,4 saniye (Causilo) ile 173,6 saniye (TabFM) arasında değişir.

Bu beş model arasında yalnızca Kumo-Tabular’ın lisansı, ayrı bir sözleşme olmaksızın modelin ve çıktılarının ticari kullanımına izin verir.

Zero-shot, sıfır eğitim demektir; sıfır hesaplama değil. TabFM veya LimiX-2 seçmeden önce iş yükünüzün tahmin hacmini değerlendirin.

Tablo foundation modelleri nedir?

Geleneksel tablo modelleri her veri kümesinde sıfırdan eğitilir. Tablo foundation modelleri (TFM’ler), çoğunlukla sentetik olan büyük tablo problem koleksiyonları üzerinde bir kez ön eğitilir ve çıkarım sırasında yeni veri kümelerine uyum sağlar: eğitim satırları bağlam olarak girer ve tahminler bir ileri geçişten çıkar. Gradyan eğitimi yoktur, hiperparametre ayarı yoktur.

TabPFN, tablo öğrenmeyi amortize edilmiş Bayesçi çıkarım olarak yeniden çerçeveler: milyonlarca sentetik görev üzerinde ön eğitilmiş bir transformer, tahmin üretmek için gözlemlenen veri kümesine koşullanır⁸. TabPFN 3, yerel kategorik işleme ile 1.000.000 satıra ve 2.000 özelliğe kadar inşa edilmiştir.

TabICL, bağlam içi öğrenmeyi tablolara genişletir: satırlar yapılandırılmış token’lara dönüşür ve model, bağlam örneklerinden karar kuralları çıkarır¹⁰. TabICLv2, Şubat 2026’da regresyon desteği ekledi.

TabFM iki yaklaşımı birleştirir: ham hücreler üzerinde dönüşümlü satır ve sütun dikkati, her satırın yoğun bir vektöre sıkıştırılması ve ardından sıkıştırılmış satırlar üzerinde bağlam içi bir transformer. Yapısal nedensel modellerden üretilen yüz milyonlarca sentetik veri kümesi üzerinde eğitilmiştir.

Mitra, AutoGluon içinde TabPFN çizgisini izler ve küçük veriler için ayarlanmıştır.

LimiX-2, Kumo-Tabular, TabPFN-3.5, Causilo ve Mitra-v2 bu benchmark’ta aynı şekilde çalışır: her biri, veri kümesi üzerinde gradyan eğitimi olmadan eğitim satırlarını bağlam olarak kullanarak tahmin yapar.

Kıyaslamalarımızı ve veri odaklı içgörülerimizi kaçırmayın. Düğme Google'ı açar; AIMultiple'ı seçmeniz, Google arama sonuçlarında AIMultiple'ı daha sık görmek istediğinizi onaylar.

Tercih edilen kaynak olarak ekle

Tablo Modelleri Benchmark Metodolojisi

Modeller (13): LogisticRegression (üç regresyon veri kümesinde Ridge regresyonu), XGBoost, LightGBM, CatBoost, TabPFN 3, TabICLv2, TabFM, Mitra, LimiX-2, Kumo-Tabular, TabPFN-3.5, Causilo, Mitra-v2.

Veri kümeleri (19, OpenML): 15 ikili sınıflandırma, 1 çok sınıflı, 3 regresyon; 435 ile 48.800 arasında satır; yalnızca sayısal veya hibrit (sayısal artı kategorik) özellikler. Bilinen sızıntı sütunları kaldırıldı.

Değerlendirme: 5 katlı tabakalı çapraz doğrulama (regresyon için düz CV), seed 42, her model için aynı bölümlemeler. Birincil metrikler: ROC-AUC (ikili), macro-F1 (çok sınıflı), RMSE (regresyon). Varsayılan hiperparametreler, ayar yok. Bu, ayar-free modelleri kayırır: ayarlanmış bir XGBoost daha yüksek puan alırdı ve ayar bütçeleri başlı başına modellemediğimiz bir maliyettir.

Yapılandırma: klasik modeller, TabPFN 3, TabICLv2, TabFM ve Mitra için benchmark’ın sabit ayarları; LimiX-2, Kumo-Tabular, TabPFN-3.5, Causilo ve Mitra-v2 için ise genel tablo modelleri liderlik tablosu TabArena’daki varsayılan yapılandırma. Hiçbir model ince ayardan geçirilmedi. TabArena’nın Mitra-v2 varsayılanı, her eğitim katında 50 adım ince ayar yapar; burada Mitra-v2 bu olmadan çalışır.

Kategorik işleme, model tasarımına göre: CatBoost, XGBoost, LightGBM, Causilo ve Mitra-v2 için yerel kategori dtype’ı; TabPFN 3, TabPFN-3.5 ve TabFM için kategorik indeksli ham özellikler; LimiX-2 için ham metin sütunları; Kumo-Tabular için model tarafından çıkarılan sütun türleri; TabICLv2 için sıralı kodlama; yalnızca Logistic Regression için one-hot artı StandardScaler. Yerel kategorikleri destekleyen hiçbir model one-hot kullanmaya zorlanmaz. Ödünleşim şudur: hücreler tasarım gereği girdi temsilinde farklılık gösterir. Her modele tek bir temsili dayatmak daha adil görünebilir ancak farklı bir girdi içinşa edilmiş modelleri cezalandırır.

Ortam: 2x NVIDIA B200 (183 GB) içeren bir RunPod pod’u; sürücü 580, Ubuntu 24.04. Klasik modeller CPU üzerinde (62 çekirdek), her foundation model bir B200 üzerinde. TabPFN 3, TabICLv2 ve Mitra için PyTorch 2.8.0 cu128; TabFM için CUDA 13 wheel’leri ile JAX 0.10.1. LimiX-2, Kumo-Tabular, TabPFN-3.5, Causilo ve Mitra-v2 tek B200’lü RunPod pod’larında (sürücü 595, CUDA 13.2) çalıştı; her seferinde her GPU için bir model ve her biri kendi Python ortamında.

Gecikme: kat başına fit-artı-tahmin duvar süresi, test koşum takımı içinde kaydedildi. TabFM’nin tek seferlik derlemesi kat sürelerinden hariç tutulur ve ayrıca raporlanır.

N/A politikası: bir hücre yalnızca belgelenmiş bir model sınırı nedeniyle N/A olur ve nedeni günlüklere kaydedilir. Nihai verilerdeki tek N/A’lar, Mitra’nın 10.000 satır sınırının üzerindeki 7 veri kümesidir.

Mitra-v2 bağlam sınırı: 16.384’ten fazla eğitim satırına sahip ikili veri kümelerinde (adult, amazon_employee_access, bank-marketing-full, default_credit, electricity), Mitra-v2 sınıf dengeli bir 16.384 eğitim satırı örnekleminden tahmin yapar; bu örneklem her 16.384 test satırı partisi için yeniden çekilir. Bu, TabArena’nın varsayılanıdır. Çok sınıflı ve regresyon için sınır 32.768 satırdır ve buradaki hiçbir veri kümesi bu değeri aşmaz.

Sıralama metrikleri: her veri kümesinde modeller birincil metriğe göre 1 (en iyi) ile k arasında sıralanır; bir modelin ortalama sıralaması, tamamladığı veri kümeleri üzerinden bu değerlerin ortalamasıdır. Rejim grafiği ters sıralamayı gösterir: k + 1 eksi sıralama; böylece yüksek değer daha iyidir ve 13 sekiz arasında birinci anlamına gelir. Galibiyet puanları her veri kümesinin tek puanını en iyi skora verir; tam beraberlikler bunu eşit böler; bu nedenle sekiz yönlü bir beraberlik her birine 0.125 öder.

İstatistikler: 12 tam kapsamlı model üzerinden Friedman testi artı Nemenyi kritik farkı. Mitra, 12/19 veri kümesini tamamladığı için hariç tutuldu; dahil edilmesi testi bu 12’ye indirirdi. Model bölümlerinde aktarılan ortalama sıralamalar bu 12 modellik testten gelir; Mitra’nınki ise 12 veri kümesi üzerinden 13 modelin tamamı arasında hesaplanır.

Friedman testi ki-kare 165.8 verir; p 10^-29 altındadır. Kritik fark CD = q × sqrt(k(k+1) / (6N))’dir; q = 3.268, alpha 0.05, k = 12 model ve N = 19 veri kümesi için CD = 3.82 verir: iki model yalnızca ortalama sıralamaları 3.82’den fazla farklıysa anlamlı şekilde farklıdır. İlk dört model 2.16 (LimiX-2) ile 3.53 (TabFM) arasında uzanır; bu yüzden aralarındaki hiçbir fark eşiği aşmaz. LimiX-2’nin TabICLv2’ye farkı 4.42; TabPFN-3.5’in TabPFN 3’e farkı 3.84’tür. Ortalama sıralama güven aralıkları, veri kümeleri üzerinden 10.000 örneklemli bootstrap’ten gelir.

Elo puanları: her veri kümesi, onu tamamlayan tüm modeller arasında bir round-robin’dir; toplamda 1.398 ikili eşleşme. Daha iyi birincil metriğe sahip model eşleşmeyi kazanır (skor 1); tam beraberlikler her birine 0.5 verir.

Formüller dört büyüklük kullanır. R(A), model A’nın güncel puanıdır; grafiğin bildirdiği sayıdır ve her model R = 1000 ile başlar. S(A), model A’nın bir eşleşmeden aldığı gerçek skordur: galibiyet için 1, beraberlik için 0.5, mağlubiyet için 0. E(A), beklenen skordur; eşleşme sayılmadan önce mevcut puanların A için öngördüğü kazanma olasılığıdır. K = 32 güncelleme adımıdır ve bir eşleşmenin puanı ne kadar değiştirebileceğini sınırlar.

A ve B modelleri arasındaki bir eşleşmeden önce beklenen skor E(A) = 1 / (1 + 10^((R(B) − R(A)) / 400))’dir: puanlar eşit olduğunda 0.5 verir ve A’nın puanı öne geçtikçe 1’e yaklaşır. Eşleşmeden sonra puan R(A) = R(A) + K × (S(A) − E(A)) ile güncellenir; böylece A beklenenden iyi yaptığında kazanır, kötü yaptığında puan kaybeder; daha yüksek puanlı bir modele karşı sürpriz galibiyet, daha zayıf bir modele karşı rutin galibiyetten daha fazla kazandırır. Güncelleme sıfır toplamlıdır; böylece havuz ortalaması 1000’de kalır ve Mitra-v2’nin 977 gibi 1000’e yakın bir puan, bu alanda ortalama bir model olarak okunur. 400 böleni ölçeği belirler: 200 puanlık farkta beklenen skor 1 / (1 + 10^(−0.5)) = 0.76’dır; “4 eşleşmenin yaklaşık 3’ünü kazanır” ifadesi buradan gelir.

Tek bir Elo geçişi eşleşme sırasına bağlıdır ve 19 veri kümesinin kendisi de bir örneklemdir. Bu nedenle 1.000 bootstrap turu çalıştırıyoruz; her tur 19 veri kümesini geri koyarak yeniden örnekler, eşleşme listesini yeniden oluşturur, eşleşme sırasını karıştırır ve Elo’yu sıfırdan çalıştırır. Yayınlanan puan turların ortalamasıdır ve %95 aralıkları, hem veri kümesi örneklemesini hem de sıralama gürültüsünü kapsayan 2.5th ve 97.5th yüzdelikleridir. Elo özet görselleştirmedir; anlamlılık hakemi Friedman ve Nemenyi testi olmaya devam eder.

Yeniden üretilebilirlik: sabit seed 42, aynı bölümlemeler, kat bazında sonuçlar ile tüm birleştirme, istatistik ve Elo betikleri benchmark deposundadır.

Bu benchmarkı kaynak gösterin

Yayınlayacağınız yere uygun formatı seçin. Bağlantılı sürümü CMS'inize yapıştırmak, geri bağlantıyı korur.

@misc{kalelioglu2026,
  author = {Kalelioğlu, Berk and Dilmegani, Cem},
  title  = {{Tablo Modelleri Benchmark'ı: 19 Veri Kümesi Üzerinde Performans}},
  year   = {2026},
  month  = jul,
  howpublished    = {\url{https://aimultiple.com/tabular-models}},
  note   = {AIMultiple. Erişim tarihi: 3 Temmuz 2026}
}

Değişiklik günlüğü

3 güncelleme

Tümü3Genel2Metodoloji1

2026

1. 3 Tem

   Karşılaştırmaya TabFM eklendi, her veri seti rejiminde lider.

2. 19 May

   Kıyaslama sonuçlarında, sıralamalarda ve model kısıtlarında TabPFN, TabPFN 3 ile değiştirildi.

3. 19 May

   Kıyaslanan model listesinde TabPFN, TabPFN 3 ile değiştirildi.

Referans Linkleri

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

Yapay Zeka Araştırmacısı

Takip Et

Berk, AIMultiple'ın benchmark ekibinde Yapay Zeka Araştırmacısıdır; etmen tabanlı yapay zeka, makine öğrenimi ve büyük ve küçük dil modelleri (LLM'ler ve SLM'ler) üzerine odaklanmaktadır.

Tam Profili Görüntüle

Araştıran

Cem Dilmegani

Baş Analist

Takip Et

Cem, 2017'den beri AIMultiple bünyesinde baş analisttir. Cem'in AIMultiple'daki çalışmaları; Business Insider, Forbes, Morning Brew ve Washington Post gibi önde gelen küresel yayınlar, Deloitte ve HPE gibi küresel firmalar, Dünya Ekonomik Forumu gibi STK'lar ve Avrupa Komisyonu gibi uluslarüstü kuruluşlar tarafından alıntılanmıştır. [1], [2], [3], [4], [5] Kariyeri boyunca Cem; teknoloji danışmanı, teknoloji alıcısı ve teknoloji girişimcisi olarak görev yaptı. On yılı aşkın süre boyunca McKinsey & Company ve Altman Solon'da işletmelere teknoloji kararlarında danışmanlık yaptı. Ayrıca dijitalleşme üzerine bir McKinsey raporu yayımladı. CEO'ya rapor verirken bir telekom şirketinin teknoloji stratejisini ve satın alma süreçlerini yönetti. Ayrıca 2 yıl içinde 0'dan 7 haneli yıllık yinelenen gelire ve 9 haneli değerlemeye ulaşan derin teknoloji şirketi Hypatos'un ticari büyümesini yönetti. Cem'in Hypatos'taki çalışmaları TechCrunch ve Business Insider gibi önde gelen teknoloji yayınları tarafından ele alındı. Cem, uluslararası teknoloji konferanslarında düzenli olarak konuşma yapmaktadır. Boğaziçi Üniversitesi'nden bilgisayar mühendisi olarak mezun oldu ve Columbia Business School'dan MBA derecesine sahiptir.

Tam Profili Görüntüle

Yorum yapan ilk kişi olun

E-posta adresiniz yayınlanmayacak. Tüm alanlar gereklidir. Yorumlar orijinal dilinde bırakılır.

Ad

E-posta Adresi

Yorum

0/450

Yorumu Gönder