<div class="key-takeaways"><ul><li>Prior Labs เปิดตัว TabPFN-3.5 โมเดลพื้นฐานสำหรับข้อมูลตาราง (Tabular Foundation Model)</li><li>ทำคะแนนบนกระดานผู้นำส่วนตัวของ Otto Kaggle ได้ 0.375 เอาชนะทีมแชมป์ปี 2015 ด้วยค่าตั้งต้น</li><li>ฝึกฝนล่วงหน้าด้วยข้อมูลสังเคราะห์ล้วน โดยไม่เคยเห็นชุดข้อมูล Kaggle มาก่อน</li><li>เปิดให้ใช้งานโมเดลน้ำหนักเปิดสำหรับนักวิจัยผ่านการรันในเครื่อง และมี API สำหรับภาคธุรกิจ</li></ul></div><p>วงการปัญญาประดิษฐ์ต้องฮือฮาอีกครั้งเมื่อ Prior Labs ได้ประกาศเปิดตัวโมเดลปัญญาประดิษฐ์ตัวใหม่ล่าสุดในชื่อ TabPFN-3.5 ซึ่งถูกออกแบบมาเพื่อจัดการกับข้อมูลตารางโดยเฉพาะ โมเดลนี้สร้างความประทับใจให้กับเหล่านักวิทยาศาสตร์ข้อมูลด้วยความสามารถในการแข่งขันกับชุดข้อมูลระดับตำนานได้อย่างน่าทึ่ง โดยสามารถนำไปใช้งานได้ผ่านทางไลเซนส์สำหรับการวิจัยและการประเมินผลในเครื่อง รวมถึงการใช้งานบน Kaggle ขณะที่การใช้งานเชิงพาณิชย์จะต้องผ่าน API หรือไลเซนส์เชิงพาณิชย์ของ Prior Labs เท่านั้น</p><p>ย้อนกลับไปในการแข่งขัน Otto Group Product Classification Challenge บนแพลตฟอร์ม Kaggle เมื่อปี 2015 มีทีมเข้าร่วมชิงชัยมากถึง 3,505 ทีมเพื่อชิงเงินรางวัล 10,000 ดอลลาร์ โดยโจทย์คือการจำแนกผลิตภัณฑ์ออกเป็น 9 หมวดหมู่จากฟีเจอร์นับจำนวนที่ถูกซ่อนไว้ 93 ฟีเจอร์ ซึ่งผลงานระดับแชมป์ในเวลานั้นตกเป็นของ Gilberto Titericz และ Stanislav Semenov สองปรมาจารย์ระดับโลกอันดับ 1 ของ Kaggle ผู้ใช้โมเดลซ้อนกันหลายชั้นถึง 36 โมเดลบนฟีเจอร์ที่สร้างขึ้นด้วยมือ</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/prior_labs_tabpfn_3_5_otto_kaggle_mu40bh6e_inline_1_13f29010fb.jpg" alt="business conference speaker presentation screen daytime" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพโดย <a href="https://unsplash.com/@chuttersnap" target="_blank" rel="noopener noreferrer">CHUTTERSNAP</a> / Unsplash</p></div><p>Nick Erickson นักวิจัย AI จาก Prior Labs และผู้ร่วมสร้าง AutoGluon ได้ใช้เวลาหลายปีในการไล่ล่าคะแนนดังกล่าว โดยข้อมูลระบุว่า AutoGluon เคยอยู่ในอันดับที่ 23 ในปี 2020 ก่อนจะขยับขึ้นสู่อันดับ 14 ในปี 2023 และขึ้นมาอยู่อันดับ 9 ในเดือนสิงหาคม 2026 อย่างไรก็ตาม ช่วงโค้งสุดท้ายถือเป็นส่วนที่ยากที่สุด โดยการขยับจากอันดับ 50 ไปสู่อันดับ 10 สามารถลดค่า log loss ลงจาก 0.41 เหลือ 0.40 แต่การจะไปให้ถึงคะแนนแชมป์ที่ 0.382 จากอันดับ 10 นั้นต้องใช้ความพยายามเพิ่มขึ้นเกือบสองเท่าตัว</p><div class="stat-row"><div class="stat-item"><span class="stat-number">0.375</span><span class="stat-label">คะแนนบนกระดานผู้นำส่วนตัวของ TabPFN-3.5</span></div><div class="stat-item"><span class="stat-number">1 นาที</span><span class="stat-label">เวลาประมวลผลบน GPU RTX PRO 6000</span></div><div class="stat-item"><span class="stat-number">1866</span><span class="stat-label">คะแนน Elo ของโมเดลพื้นฐานบน TabArena</span></div></div><p>ความสำเร็จครั้งใหม่นี้เกิดขึ้นเมื่อ TabPFN-3.5 สามารถทำคะแนนบนกระดานผู้นำส่วนตัวได้สูงถึง 0.375 โดย Nick Erickson เปิดเผยว่าโมเดลรันบนข้อมูลดิบด้วยค่าตั้งต้นและใช้เวลาประมวลผลเพียงประมาณหนึ่งนาทีบนการ์ดจอ RTX PRO 6000 สิ่งที่น่าทึ่งคือโมเดลนี้ได้รับการฝึกฝนล่วงหน้าด้วยข้อมูลสังเคราะห์เท่านั้นและไม่เคยเห็นชุดข้อมูล Otto หรือชุดข้อมูลอื่นใดของ Kaggle มาก่อน พร้อมกันนี้ยังมีสมุดบันทึก Kaggle ที่สามารถทำซ้ำได้เปิดให้ใช้งานต่อสาธารณะ</p><div class="ai-insight"><p>การที่ TabPFN-3.5 สามารถเอาชนะโซลูชันที่ชนะการแข่งขัน Otto Kaggle ได้ด้วยค่าตั้งต้น (default settings) โดยไม่ต้องปรับแต่งพารามิเตอร์ซับซ้อน ถือเป็นก้าวกระโดดครั้งสำคัญของ Tabular Foundation Models ซึ่งปกติแล้วข้อมูลตาราง (Tabular data) มักเป็นจุดอ่อนของโมเดล Deep Learning ทั่วไปที่มักพ่ายแพ้ให้กับอัลกอริทึมประเภท Gradient Boosting เช่น XGBoost หรือ LightGBM การที่โมเดลตระกูล PFN (Prior-Data Fitted Networks) สามารถเรียนรู้กระบวนการเรียนรู้ (Learning to Learn) จากข้อมูลสังเคราะห์แล้วนำมาใช้พยากตณ์ข้อมูลจริงได้ทันที จึงช่วยลดเวลาและต้นทุนในการทำ Feature Engineering ลงได้อย่างมหาศาล</p></div><p>รายงานทางเทคนิคยังระบุด้วยว่าโมเดลนี้คว้าอันดับหนึ่งบนเบนช์มาร์กหลากหลายรายการ เช่น TabArena, BeyondArena, STRABLE, MulTaBench, RelArena-α, TALENT และ ScoringBench โดยในส่วนของ TabArena ซึ่งเป็นเบนช์มาร์กที่มีชุดข้อมูลถึง 51 ชุด เวอร์ชัน TabPFN-3.5-Thinking สามารถทำคะแนน Elo สูงถึง 1910 ขณะที่โมเดลพื้นฐานทำได้ 1866 คะแนน ซึ่งสูงกว่า TabFM+ ที่ทำได้ 1823 คะแนน นอกจากนี้ Prior Labs ยังระบุว่าโมเดลพื้นฐานสามารถเอาชนะ AutoGluon 1.6 แบบสุดโต่งได้ถึง 130 Elo ในเวลาเพียงหนึ่งในห้าเท่านั้น</p><p>ในด้านประสิทธิภาพการประมวลผล แม้ว่าจำนวนพารามิเตอร์จะเพิ่มขึ้นประมาณ 4 เท่า แต่แคช KV ยังคงมีขนาดใกล้เคียงกับ TabPFN-3 การทำนายแถวเดี่ยวโดยใช้แคชยังคงมีความเร็วเท่ากับรุ่นก่อนหน้า ยกเว้นในชุดข้อมูลฝึกอบรมขนาดใหญ่ที่โมเดลพื้นฐานอาจทำงานช้ากว่า TabPFN-3 สูงสุดถึง 2 เท่า สำหรับผู้ที่สนใจสามารถศึกษา보고รายงานทางเทคนิคและรายละเอียดเพิ่มเติมได้จากแหล่งข่าวต้นฉบับ</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/09/15/prior-labs-releases-tabpfn-3-5-a-tabular-foundation-model-that-beats-the-winning-otto-kaggle-solution-with-default-settings/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

<div class="key-takeaways"><ul><li>Prior Labs has released TabPFN-3.5, an advanced tabular foundation model.</li><li>Scores 0.375 on the private Otto Kaggle leaderboard, outperforming the 2015 winning solution using default settings.</li><li>Pretrained exclusively on synthetic data without prior exposure to Otto or Kaggle datasets.</li><li>Open weights available locally for research and evaluation, with API access for production.</li></ul></div><p>The artificial intelligence community is buzzing as Prior Labs officially rolls out TabPFN-3.5, a cutting-edge foundation model engineered specifically for tabular data. This release has captured the attention of data scientists by demonstrating an exceptional ability to rival legendary competition benchmarks. The model's open weights can be run locally for research and evaluation purposes, while production deployments require Prior Labs' API or a commercial license.</p><p>Looking back, the Otto Group Product Classification Challenge took place on Kaggle in 2015, drawing 3,505 teams competing for a $10,000 prize. Entrants were tasked with sorting products into 9 distinct categories using 93 obfuscated count features, evaluated through multi-class log loss where lower scores indicate better performance. The winning solution back then was forged by Gilberto Titericz and Stanislav Semenov, both former world number one Kaggle grandmasters who built a complex multi-layer stack of 36 models leveraging hand-crafted features.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/prior_labs_tabpfn_3_5_otto_kaggle_mu40bh6e_inline_1_13f29010fb.jpg" alt="business conference speaker presentation screen daytime" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Photo by <a href="https://unsplash.com/@chuttersnap" target="_blank" rel="noopener noreferrer">CHUTTERSNAP</a> / Unsplash</p></div><p>Nick Erickson, co-creator of AutoGluon and an AI researcher at Prior Labs, spent years chasing that benchmark score. According to Erickson, AutoGluon secured rank 23 in its 2020 paper, climbed to rank 14 in 2023, and reached rank 9 in August 2026. The final stretch proved to be the most challenging hurdle; moving from rank 50 down to rank 10 successfully cut log loss from 0.41 to 0.40, but bridging the remaining gap from rank 10 to the winning score of 0.382 required nearly double that effort.</p><div class="stat-row"><div class="stat-item"><span class="stat-number">0.375</span><span class="stat-label">TabPFN-3.5 private leaderboard score</span></div><div class="stat-item"><span class="stat-number">1 min</span><span class="stat-label">Processing time on RTX PRO 6000 GPU</span></div><div class="stat-item"><span class="stat-number">1866</span><span class="stat-label">Base model Elo score on TabArena</span></div></div><p>The breakthrough arrives as TabPFN-3.5 achieves an impressive 0.375 score on the private leaderboard. Erickson reports that the model executed on raw data utilizing default settings, completing the task in roughly one minute on an RTX PRO 6000 GPU. Remarkably, the model was pretrained solely on synthetic data, meaning it never encountered the Otto or any other Kaggle dataset beforehand. A fully reproducible Kaggle notebook has also been made publicly available for verification.</p><div class="ai-insight"><p>The capability of TabPFN-3.5 to surpass a historic Kaggle-winning solution straight out-of-the-box using default settings marks a major milestone for Tabular Foundation Models. Historically, tabular data has remained a challenging domain for standard deep learning architectures compared to gradient boosting frameworks like XGBoost or LightGBM. By leveraging Prior-Data Fitted Networks (PFNs) trained on synthetic data to learn learning algorithms, these models can make accurate predictions on real-world tables instantly, significantly reducing manual feature engineering overhead.</p></div><p>Technical reports further highlight that the model secured first place across multiple benchmarks, including TabArena, BeyondArena, STRABLE, MulTaBench, RelArena-α, TALENT, and ScoringBench. On TabArena, a dynamic benchmark encompassing 51 datasets, the Thinking variant achieves an Elo rating of 1910, while the base model scores 1866, outperforming TabFM+ at 1823. Furthermore, Prior Labs states that the base model beats AutoGluon 1.6 extreme by 130 Elo points in a fraction of the time.</p><p>Regarding architectural efficiency, the KV cache remains roughly equivalent in size to TabPFN-3 despite housing approximately four times more parameters. Cached single-row predictions match the speed of TabPFN-3, although on massive training sets, the base model can run up to twice as slow. Enthusiasts can explore the official technical report and details directly through the original publication source.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/09/15/prior-labs-releases-tabpfn-3-5-a-tabular-foundation-model-that-beats-the-winning-otto-kaggle-solution-with-default-settings/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

medium_prior-labs-เปิดตัว-tabpfn-3-5-โค่นแชมป์-otto-kaggle-mu40bh6e.jpg

small_prior-labs-เปิดตัว-tabpfn-3-5-โค่นแชมป์-otto-kaggle-mu40bh6e.jpg

thumbnail_prior-labs-เปิดตัว-tabpfn-3-5-โค่นแชมป์-otto-kaggle-mu40bh6e.jpg

Inewgen

Inewgen

#Kaggle

Prior Labs เปิดตัว TabPFN-3.5 โค่นแชมป์ Otto Kaggle

Inewgen