這兩年，AI賽道越來越熱。
大語言模型LLM（Large Language Model）在捲得飛起的同時——
另一條結構化資料側的AI路線LDM，也突然開始湧進各類型頭部玩家。
LDM（Large Data Model），即結構化資料基礎模型，其瞄準的是生產側的核心痛點：即如何讓基礎模型直接學習不同結構化資料中的變數關係、條件關係和生成機制。
到底有多火呢，這麼說吧！
像咱熟悉的美國Google、Amazon，德國企業軟體巨頭SAP等玩家紛紛下場佈局～
不過，誰成想呢，巨頭們剛湧進LDM搶位，一支中國團隊已經先把榜首坐成了「固定席位」。
9月15日，德國軟體巨頭SAP搶發TabPFN-3.5，幾小時後（9月16日），一支由清華博士組成的團隊，用一個400M參數的結構化資料基礎模型——
直接拿下了TabArena、TALENT、BCCO三個國際主流基準測試中二分類、多分類、回歸等各項任務的「第一」，呈現斷層領先：
不賣關子，這個把Google等一眾大廠按在地上摩擦的，就是「穩准智能」剛剛發佈的：LimiX-2。
值得一提的是，這也不是穩准智能第一次把LDM做到國際頭部了。
去年他們發佈的國內首個結構化資料基礎模型LimiX已經上演過很長一段時間的霸榜大戲，但此後團隊也沒有追著榜單追趕，而是繼續往底層技術和模型儲備裡扎。
然後這次，直接給海內外主流選手再來了個措手不及～
在這家中國團隊看來，真正重要的，從來不是拿下一次第一，而是每到關鍵節點，都有能力重新回到第一。
而作為國內首個結構化資料通用大模型，LimiX啃下的，正是資料背後最值錢也最難找的「因果規律」。
相比TabPFN這類偏目標預測的行級建模路線，LimiX-2把面向變數關係建模前置為核心目標，學習跨變數、跨樣本的聯合依賴結構。
此外，其還自建了一套高品質自動化資料合成引擎，先讓模型見過足夠複雜的資料世界，再去處理真實任務。
過去幾年，LLM已經吃透了文字、語音、視訊，但一碰到工業生產、科學研究等應用側真正拿來做決策的場景，對因果關係、精準性和穩定性的要求會陡然提高，這也讓LDM的價值開始越來越清晰。
當前就在這條越來越熱的賽道中，穩准智能聯合清華已然率先把成果跑進了行業頭部位置。
LLM啃不動的資料分析硬骨頭，LDM開始接手了
大語言模型，這兩年能力邊界一路狂飆。
但熱鬧歸熱鬧，隨著AI真正往產業深處走，一個此前很容易被模型能力增長掩蓋的問題，也開始變得越來越清晰——
那就是現實世界，遠比語言世界「更大」。
要知道今天的大語言模型能力，很大程度上建立在一個極其龐大的語義世界之上。
文字、程式碼、論文、數學公式，甚至經過標註和描述的圖像、視訊，其中承載的知識都有一個共同特點，那就是它們已經經過了人類的一次理解、篩選和抽象。
LLM做的事情，就是把這些已經進入人類知識體系的資訊編碼成Token，通過海量語料學習上下文關係，再進一步形成知識、推理和生成能力。
所以從資訊理論和建模對象來看，LLM所處理的，更多是已經完成「語義化」的現實。
但問題是，在產業系統裡，另一類資料是長期存在於這個語義層「之外」的。
以製造業為例，溫度、壓力、轉速、原料配比、裝置狀態、能耗等幾十、幾百甚至上千個變數會同時變化，共同構成一個持續演化的高維資料空間。
其中大量關鍵規律，可能並沒有被人類提前總結成規則、公式或文字知識。
更重要的是，產業真正關心的，往往也不是單個變數是什麼，而是變數之間存在什麼穩定關係，那些關係可以跨環境成立，以及一個變數變化之後，系統整體會如何響應。
如果先把這類資料轉寫成文字，再交給LLM處理，中間天然會經歷一次「資訊壓縮」。
但在生產系統中，那些被壓縮掉的細粒度差異，恰恰可能直接決定預測精度、良率和風險判斷，在語義空間裡看似可以忽略的資訊，到了生產空間裡可能恰恰是最值錢的資訊。
這恰恰構成了「結構化資料建模」與「語言建模」之間最本質的差異——
如果說LLM主要學習人類已經表達出來的世界，那麼LDM更希望直接進入真實世界留下的高維資料空間，從變數關係本身出發理解規律。
二者面對的是不同的資訊空間，也因此更接近兩條平行、互補的基礎模型路線～
能往生產深處扎，也能補足LLM對真實資料世界理解不足的那一塊兒缺口，確實有前景啊。。。
隨著AI越來越多進入複雜決策場景，LDM也正成為基礎模型體系中越來越重要的一塊能力拚圖。
於是乎，這兩年，海內外玩家也開始接連入場，結構化資料基礎模型的競爭，正在明顯《提速》。
今年Google直接發佈TabFM，把表格資料基礎模型正式納入自己的Foundation Model版圖。
Amazon也推出Mitra，專門探索一個預訓練模型如何跨不同表格、不同任務直接遷移。
SAP動作更猛，先做SAP-RPT-1，今年又直接收購TabPFN背後的Prior Labs，投入超過10億歐元擴建結構化資料AI研究團隊。
就在幾天前，最新的TabPFN-3.5 Plus又正式進入SAP AI Core，直接開始做現金流預測、付款延遲、供應商風險、客戶流失這些企業核心決策任務。
從Google、Amazon一路到SAP，結構化資料基礎模型已經從學術圈裡的新方向，迅速變成全球科技巨頭集體押注的一塊基礎能力。
重做底層技術範式，LimiX讓模型理解資料背後的因果機制
LDM賽道開始升溫，崔鵬和團隊多年押注的方向，也終於走到聚光燈下。
穩准智能首席科學家、清華大學電腦系崔鵬教授，長期研究結構化資料與因果智能，也是LDM理念的提出者之一。
很長一段時間裡，這支團隊都在啃一些更底層的問題：Scaling規律能否延伸到結構化資料，CMNs能否進一步打開因果建模的能力上限。
這些偏離傳統因果研究路徑的探索，當時並不輕鬆。
如今，LimiX、LimiX-2連續沖上國際Benchmark前列，也讓這條當初看起來更冒險的技術路線，開始得到模型效果的直接驗證。
跟賽道升溫相比，一個更值得注意的變化是：大家底層技術其實並不那麼一樣。
比如TabPFN為代表的PFN路線，核心目標很明確：給定上下文和目標，讓模型快速適應一張新表，並把Y預測準。
這條路線非常適合分類、回歸等任務，也推動了Tabular Foundation Model快速發展。
但當結構化資料模型繼續往更深處走，一個問題開始冒出來：如果我們想知道的，已經不止是「Y等於多少」呢？
畢竟生產側真正關心的，往往還包括變數之間是什麼關係，一個變數發生變化之後，其他變數會怎麼動。
到了這一步，傳統以目標變數為中心的PFN路線，其能力邊界就逐漸顯出來了——
對於不少PFN類模型而言，資料通常會先被壓縮成更高層的表示，再用於完成目標預測，這樣做有利於快速適配任務，但問題是部分變數級的細粒度資訊，也可能在表示過程中被摺疊。
當問題繼續從「預測結果」往「理解變數關係」推進時，模型需要保留和利用的資訊粒度，也隨之發生變化！！
而穩准智能這次在LimiX-2上真正動刀的，則是結構化資料模型最底層的「技術範式」。
作為較早用機器學習方法研究變數關係和因果規律的團隊之一，崔鵬團隊長期關注的問題，就是如何讓模型超越表面相關性，找到那些跨環境依然穩定的關係。
因此到了LimiX-2，穩準沒有繼續沿著傳統預測範式往上堆能力，而是直接改了模型「學什麼」——
團隊創造性提出上下文機制網路Contextual Mechanism Networks（CMNs），把結構化資料建模從以目標變數為中心的預測問題，推進為面向全變數聯合依賴和資料生成機制的關係建模問題。
先來說說上下文機制網路（CMNs）。
如果說PFN仍然是在給定目標下學習怎麼預測得更準，那麼CMNs想回答的問題，已經變成了X、Y和其他變數放在一起，到底是怎麼共同構成這份資料的。
換句話說，LimiX-2沒再把變數關係當成服務於預測的中間資訊，而是直接把它變成模型要學習的核心對象。
這種底層範式的切換有點類似大語言模型從BERT走向GPT，真正變化的核心，不只體現在參數規模和Benchmark上，更在於模型學習目標和組織資訊的方式被重新定義了。
當然，CMNs這個新的學習目標，聽起來很理想，真正做起來卻沒那麼簡單。
既然想讓模型搞清楚變數之間到底是什麼關係，訓練時就不能永遠給它一道「固定」的題。
所以穩准團隊聯合清華在LimiX-2做的一件重要的事，便是通過提出上下文條件掩碼建模（CCMM），並升級自動化合成資料的生成引擎，不斷給模型換題——
通過不斷遮住-預測不同變數，逼著模型從預測單一目標，轉向學習變數之間的條件依賴和聯合結構。
反覆訓練後，模型掌握的也就不只是某一道題怎麼答，而是逐漸理解：這些變數彼此如何作用。
預測目標不斷變化，模型也就沒法只圍著某一個Y死磕，而得慢慢把整張表裡變數之間的關係摸清楚。
此外在底層技術層面，LimiX還進一步將建模粒度下沉到Cell-Level，以記憶體格作為基礎表示單元，保留列身份、具體取值和缺失狀態，並支援跨變數、跨樣本的資訊互動。
這樣一來，從資料表示到訓練目標，再到網路計算，整套設計都圍繞聯合依賴建模展開。
在這套框架下，分類、回歸、缺失值填補等任務，都可以進一步統一為對同一個資料模型的不同查詢；而對聯合關係的持續建模，也為後續的結構發現乃至因果骨架發現提供了基礎。
由此，整個底層技術能力也就形成一個邏輯閉環——
CMNs先把「目標」改成學關係，CCMM負責讓模型真正去「學關係」，Cell-Level負責保留各種細粒度「特徵」，三者共同構成一套從學習目標、訓練機制到資料表示的技術範式。
中國LimiX-2研發團隊成果到底有多強？
一套新技術範式真正有價值的時刻，往往發生在它開始改寫能力邊界之後。
對LDM來說，比再刷一張AI榜單更重要的，是它能不能把這些能力真正帶進生產環境。
而在走進真實場景之前，LimiX-2已經先在主流Benchmark上把這條路線跑到了行業頭部。
在TabArena、TALENT、BCCO等國際主流Benchmark中，LimiX-2在二分類、多分類和回歸任務上均位居第一，超過Google TabFM、TabPFN、TabICL、Mitra等模型。
先看「分類」。
分類任務解決的是「它到底屬於那一種狀態」的問題，比如裝置會不會故障、客戶會不會流失、一筆交易是否存在風險，本質上都要求模型從大量變數中找出真正影響結果的訊號。
在TabArena評測中，按Elo排名，LimiX-2四項指標均居第一，Elo達到1917，領先TabFM+143分。
另一個考驗模型底層建模能力的指標，是「回歸任務」。
回歸要求模型進一步理解連續變數之間的依賴關係，並最終把這種關係壓到一個足夠準確的數值預測上。
在TabArena回歸任務中，按Elo排名，LimiX-2四項指標均居第一，Elo達到2206，位列第一。
換句話說，LimiX-2的優勢已經不只體現在「分得對」，也開始體現在對連續關係建模得更細、更準。
值得一提的是，LimiX-2的提升也來自訓練資料這一側。
CMNs把學習目標進一步擴展到變數關係建模，對訓練資料的多樣性也提出了更高要求。
因此，LimiX-2升級了大規模自動化合成資料引擎，覆蓋更多分佈、互動關係和噪聲類型，讓模型提前見過更豐富的資料結構，從資料側支撐能力維度的擴展。
不僅如此，除了分類、回歸等預測能力，LimiX-2也開始把能力進一步推向因果發現。
面對高維複雜資料，傳統方法往往受專家先驗和統計假設限制；而在Sachs、UF、Causal Chamber等公開資料集上，LimiX-2已經領先多種傳統因果發現方法。
分類、回歸和跨資料泛化，都是企業的日常任務。這類榜單真正檢驗的，是模型面對真實資料時能否穩定預測、遷移並支撐決策。
而這背後指向的，正是LDM更長期的能力路徑——
從Prediction走向Relationship、Causality、Intervention、Decision，讓AI進一步理解真實世界中的變數關係、生成機制和變化規律，直達通用因果智能。
而這些，恰恰也是生產側智能化下一階段最值得關注的方向之一。
2020年，GPT-3問世。
它讓行業第一次清晰看到，基礎模型一旦跨過能力臨界點，AI就可能從解決單點任務，走向更通用的智能。
六年後的今天，AGI已經從一個遙遠概念，越來越接近一條可以被實現的願景。
但當AI繼續向前，它終究還要進入一個比語言世界複雜得多的空間：真實世界本身。
理解變數如何彼此作用、因果如何層層傳導，以及一個微小變化，最終會把整個系統推向那裡。
而LDM這塊競爭場域所指向的，恰恰就是這塊仍處早期、卻可能決定AGI下一階段能力的GPT-3時刻——
讓大模型從理解人類已經表達出來的知識，進一步走向理解世界運行本身。
就在這個可能決定下一階段AI能力上限的賽道上，顯然已經有中國團隊走到了行業頭排。 (量子位)