LLM 遇瓶颈，LDM 崛起：中国团队稳准智能发布 LimiX-2 登顶全球榜单
近年来，AI 赛道持续升温。在大语言模型（LLM）竞争白热化之际，面向结构化数据的 Large Data Model（LDM）路线迅速崛起，吸引 Google、Amazon、SAP 等全球巨头争相布局。
LDM 旨在解决生产侧核心痛点：让基础模型直接学习结构化数据中的变量关系、条件依赖及生成机制。然而，就在国际巨头加速抢位之时，一支由中国清华博士组成的团队——稳准智能，已率先将该领域的榜首位置牢牢占据。
9 月 16 日，在德国软件巨头 SAP 发布 TabPFN-3.5 数小时后，稳准智能正式推出拥有 4 亿参数的结构化数据基础模型 LimiX-2。该模型在 TabArena、TALENT、BCCO 三大国际主流基准测试中，于二分类、多分类及回归任务上均斩获第一，呈现断层式领先优势。
△ 官方 TabArena 榜单
这是稳准智能继去年发布国内首个结构化数据基础模型 LimiX 后，再次引领行业。与以往不同，团队此次并未单纯追逐榜单，而是深耕底层技术与模型储备，致力于在关键节点持续保持领先。作为国内首个结构化数据通用大模型，LimiX-2 的核心突破在于啃下了数据背后最具价值也最难挖掘的“因果规律”。
相较于 TabPFN 等侧重目标预测的行级建模路线，LimiX-2 将“变量关系建模”前置为核心目标，专注于学习跨变量、跨样本的联合依赖结构。配合其自研的高质量自动化数据合成引擎，模型得以在接触真实任务前，先构建对复杂数据世界的深刻认知。
随着 AI 应用深入工业生产与科学研究，对因果关系、准确性及稳定性的要求日益严苛，LDM 的价值愈发凸显。在此赛道上，稳准智能联合清华大学已率先跻身全球第一梯队。
LLM 难以触及的数据盲区，LDM 填补产业空白
尽管大语言模型能力突飞猛进，但随着 AI 向产业深处渗透，一个被掩盖的问题逐渐清晰：现实世界远比语言世界宏大且复杂。
当前 LLM 的能力建立在庞大的语义世界之上，处理的是经过人类理解、筛选和抽象后的文本、代码及标注数据。本质上，LLM 学习的是已完成“语义化”的现实。
△ AI 生成示意图
然而，在产业系统中，大量关键数据长期存在于语义层之外。以制造业为例，温度、压力、转速等成百上千个变量构成高维数据空间，其中蕴含的规律往往未被总结为规则或文本。产业关注的重点并非单个变量的数值，而是变量间的稳定关系、跨环境的普适性以及系统对变量变化的响应机制。
若将此类数据转写为文本交由 LLM 处理，必然经历“信息压缩”。在生产系统中，那些被压缩的细粒度差异恰恰决定了预测精度、良率与风险判断。这正是结构化数据建模与语言建模的本质差异：LLM 学习人类表达的世界，而 LDM 直接进入真实世界的高维数据空间，从变量关系本身出发理解规律。
二者面对不同的信息空间，构成了平行且互补的基础模型路线。随着 AI 进入复杂决策场景，LDM 正成为基础模型体系中不可或缺的能力拼图。
全球科技巨头已敏锐察觉这一趋势。Google 发布 TabFM 纳入基础模型版图；Amazon 推出 Mitra 探索跨表格迁移；SAP 更是收购 TabPFN 背后的 Prior Labs，投入超 10 亿欧元扩建团队，并将最新的 TabPFN-3.5 Plus 应用于现金流预测、供应商风险等企业核心决策任务。结构化数据基础模型已从学术新方向演变为全球巨头的必争之地。
重构底层技术范式，LimiX-2 洞察数据因果机制
LDM 赛道的升温，也让稳准智能首席科学家、清华大学计算机系崔鹏教授团队多年的坚守走向聚光灯下。作为 LDM 理念的提出者之一，崔鹏团队长期致力于探索结构化数据的 Scaling 规律及因果建模能力上限。
与赛道内其他玩家不同，稳准智能在底层技术范式上进行了根本性创新。以 TabPFN 为代表的 PFN 路线，核心目标是给定上下文快速预测目标变量 Y。这在分类、回归任务中表现优异，但当需求从“预测结果”延伸至“理解变量关系”时，其能力边界便显现出来。
传统 PFN 类模型常将数据压缩为高层表示以适配任务，这可能导致变量级的细粒度信息丢失。而稳准智能在 LimiX-2 中彻底改变了模型的“学习目标”，创造性提出上下文机制网络（Contextual Mechanism Networks, CMNs）。
CMNs 将结构化数据建模从“以目标变量为中心”的预测问题，升级为“面向全变量联合依赖和数据生成机制”的关系建模问题。如果说 PFN 是在学习如何猜对答案，那么 CMNs 则是在探究 X、Y 及其他变量如何共同构成数据本身。这种范式切换类似于大语言模型从 BERT 到 GPT 的演进，重新定义了模型的学习目标与信息组织方式。
△ CMNs 架构示意图
为实现这一目标，团队提出了上下文条件掩码建模（CCMM），并升级自动化合成数据引擎。通过不断遮蔽并预测不同变量，迫使模型从单一目标预测转向学习变量间的条件依赖与联合结构。模型不再死磕某一个 Y，而是全面掌握整张表中变量间的相互作用。
此外，LimiX-2 将建模粒度下沉至单元格级别（Cell-Level），保留列身份、具体取值及缺失状态，支持跨变量、跨样本的信息交互。在此框架下，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，为后续的结构发现乃至因果骨架发现奠定基础。
CMNs 定义学习目标，CCMM 负责训练机制，Cell-Level 保障特征粒度，三者共同构成了 LimiX-2 从理论到实践的完整技术闭环。
LimiX-2 实测性能碾压群雄，开启通用因果智能新篇章
新技术范式的价值最终需经实践检验。在走进真实生产环境前，LimiX-2 已在主流 Benchmark 上展现出统治级实力。
在 TabArena、TALENT、BCCO 等国际权威评测中，LimiX-2 在二分类、多分类和回归任务上全面超越 Google TabFM、TabPFN、TabICL 及 Amazon Mitra 等模型，多项指标位居榜首。
在分类任务中，LimiX-2 的 Elo 评分达到 1917，领先第二名 TabFM 达 143 分，展现出从海量变量中精准提取信号的强大能力。在更考验底层建模水平的回归任务中，其 Elo 评分高达 2206，同样位列第一，证明其在连续变量依赖关系建模上的高精度。
除了预测能力的提升，LimiX-2 在因果发现领域也取得突破。面对高维复杂数据，传统方法常受限于专家先验与统计假设，而 LimiX-2 在 Sachs、UF、Causal Chamber 等公开数据集上，表现已优于多种传统因果发现方法。
从 Prediction（预测）走向 Relationship（关系）、Causality（因果）、Intervention（干预）与 Decision（决策），LimiX-2 展现了 LDM 通往通用因果智能的清晰路径。这不仅是技术的迭代，更是 AI 从理解人类已有知识迈向理解世界运行本身的关键一步。
正如 GPT-3 开启了通用智能的愿景，LDM 赛道或许正迎来决定 AGI 下一阶段能力的"GPT-3 时刻”。在这场关乎未来的竞争中，中国团队稳准智能已走在世界前列。
参考资源：
- 技术报告：LimiX-2: A Contextual Mechanism Network Towards General Structured-Data Intelligence
- 论文地址：https://arxiv.org/abs/2609.17488
- 代码仓库：https://github.com/limix-ldm-ai/LimiX
- 模型下载 (Huggingface)：https://huggingface.co/stable-ai/LimiX-2
- 模型下载 (ModelScope)：https://modelscope.cn/models/stable-ai/LimiX-2