9月16日，稳准智能联合清华大学计算机系崔鹏教授，发布新一代数据大模型LimiX-2，模型参数规模提升至400M。在TabArena、BCCO、TALENT三个国际主流结构化数据Benchmark中，LimiX-2总体Elo分数分别达到1935、1432和1506，均位居榜单第一，领先Google、SAP、Amazon等国际大厂的同类模型。
LimiX-2登顶国际主流Benchmark榜单
Elo是衡量模型综合能力的重要排名指标。TabArena、BCCO、TALENT作为国际主流结构化数据模型评测基准，覆盖多类任务，用于评估模型在不同数据集上的泛化能力与预测性能，已成为当前结构化数据基础模型竞争的重要评价依据。
LimiX-2在TabArena上的回归、二分类、多分类Elo均为最优
此次模型能力升级，主要沿着三条技术路线推进。
第一，是上下文机制网络CMNs（Contextual Mechanism Networks）。这一系统用于预测变量间的依赖关系，将建模重点从预先指定的目标变量，转向变量之间的相互关联；
第二，是在预训练阶段对自动化合成数据生成引擎进行升级；
第三，是进一步Scaling，将模型参数规模扩大至400M。
LimiX团队提出上下文机制网络（CMNs），为结构化数据建模开辟了从“目标预测”走向“结构发现”的新范式。传统经典PFNs以指定目标的预测分布为核心，CMNs则将上下文数据中全变量的联合依赖作为建模对象，不仅关注变量取何种值，更着眼于发现变量如何相互关联，以及共同构成何种内在结构。
这一范式的变化，也重新定义了模型的学习目标。LimiX通过上下文条件掩码建模（CCMM），在不同观测模式下组织跨变量监督，将变量关系推断明确为预训练目标。模型不再仅围绕某个指定结果学习相关信息，而是借助多种条件预测，共同约束对全变量依赖结构的表达。
这一原则同样贯穿于网络架构设计。因此，LimiX采用单元格级（Cell-Level）建模，将变量在各样本中的观测作为基本表示单元，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。从数据表示、训练目标到网络计算，整体设计均围绕联合依赖建模展开。
在这一框架下，分类、回归、缺失值填补等任务，被统一为对同一数据模型的不同查询。更重要的是，联合关系建模也为结合因果假设开展因果骨架发现提供了统计基础。CMNs所指向的，不只是一个更强的预测器，而是以联合建模为基础、以结构发现为方向、面向数据机制归纳的通用数据智能。
在训练数据方面，LimiX-2升级了大规模自动化合成数据生成引擎。结构化数据大量存在于企业内部系统，难以像互联网文本一样被大规模公开获取，因此TabPFN、Mitra等表格基础模型也普遍采用合成数据进行预训练。LimiX-2可自动生成线性、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，让模型在进入真实企业场景前，接触更多数据结构与变量关系。
继去年11月，稳准智能发现并提出“结构化数据基础模型遵循Scaling Law”之后，此次新模型继续沿着这一技术路线，将模型参数规模提升至400M。参数增至400M，将使LimiX所选择的技术路线在更大规模与尺度上得到验证，获得更强的泛化能力，因果关系规律的挖掘和稳定表达优势也将得到进一步发挥。
除榜单所体现的分类、回归等预测能力外，LimiX-2在因果发现方面也展现出技术突破性。传统因果发现方法依赖专家先验或严格的统计假设，较难应对高维企业数据。采用上述一系列创新技术路线后，LimiX-2在Sachs、UF、Causal Chamber等多个因果发现公开标准数据集上，显著领先传统因果发现方法。
LimiX-2在因果发现评测上显著领先
截至2026年世界人工智能大会，上一代LimiX已完成800余个结构化数据场景的通用性验证，并在60场景中落地。此前在多个真实场景的验证中，LimiX将过去“一项任务训练一个专用模型”的传统机器学习方式，转变为由一个基础模型提供跨场景、跨数据集的通用预测能力。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，都是当前较为典型的应用方向。
与LLM赛道的发展类似，结构化数据基础模型即将迎来GPT-3时刻，国际竞争烈度持续增强。Google、Amazon、SAP等多个国内外知名团队不断加速模型研发进程，LimiX等中国技术团队也在持续打磨自创技术路线，并探索形成依托产业场景驱动模型迭代的中国模式。
稳准智能首席科学家崔鹏表示：“LimiX-2的发布和此次Benchmark成绩，是团队在结构化数据大模型方向持续探索的重要阶段性成果。我们仍将长期坚持这一技术路线，并不断提升模型对数据规律和变量因果关系的理解能力。未来，我们将继续推动模型在因果智能方向上的发展，助力人工智能更快速地从预测走向决策。”
技术报告标题：LimiX-2: A Contextual Mechanism Network Towards General Structured-Data Intelligence
技术报告地址：https://arxiv.org/abs/2609.17488
Github：https://github.com/limix-ldm-ai/LimiX
Huggingface：https://huggingface.co/stable-ai/LimiX-2
ModelScope：https://modelscope.cn/models/stable-ai/LimiX-2
本文由稳准智能提供，量子位获授权转载，观点归原作者所有。