Inpriora
табличная foundation-модель от Ant Group без дообучения
2 min readupdated
Inpriora — это предобученная фундаментальная модель от Ant Group для работы с табличными данными, которая решает задачи классификации и регрессии за один прямой проход без обновления весов. Модель полностью обучена на синтетических данных и использует подход in-context learning (обучение в контексте прямо во время инференса, аналогично TabPFN): метод fit просто формирует контекст из обучающей выборки, а predict мгновенно выдаёт предсказания. Внутри используются адаптивные признаки Фурье и ранжирование внутри столбцов, что помогает улавливать как числовые закономерности, так и относительный порядок значений. Архитектура с двухветвевым вниманием (dual-branch ICL) раздельно обрабатывает строки контекста и запроса, сохраняя специфику каждой роли. Модель пригодится аналитикам данных и ML-инженерам для быстрого бейзлайна и предсказаний на таблицах через привычный интерфейс в стиле scikit-learn.
Ключевые особенности
- Работает без градиентного обучения:
fitзапоминает обучающие примеры как контекст, а инференс выполняется одним прямым проходом. - Обучена на синтетике: веса модели сформированы исключительно на синтетических наборах данных.
- Двухветвевая архитектура (dual-branch ICL): отдельные проекции внимания для контекстных и тестовых строк плюс кодирование через адаптивные признаки Фурье и ранги.
- Два специализированных чекпоинта: в репозитории лежат отдельные веса для классификации (118.03M параметров) и регрессии (121.11M параметров) в формате safetensors.
Что можно сделать
- Решать задачи классификации: использовать
InprioraClassifierдля прогнозирования категорий и вероятностей классов (predict_proba) на табличных датасетах. - Строить регрессионные прогнозы: подключить чекпоинт
regressor/черезInprioraRegressorдля предсказания непрерывных числовых значений. - Встраивать в пайплайны scikit-learn: заменять классические табличные алгоритмы без переписывания кода благодаря стандартным методам
fitиpredict.
Пример
from inpriora import InprioraClassifier
model = InprioraClassifier(model_path="/path/to/repository/classifier")
model.fit(X_train, y_train)
probabilities = model.predict_proba(X_test)
predictions = model.predict(X_test)
Подробнее
На бенчмарке TabArena-v0.1 (51 датасет, 816 сплитов, неофициальный замер авторов) модель заняла 6-е место из 109 в общем зачёте (Elo 1823.6), 7/107 в классификации (Elo 1786.4) и 4/105 в регрессии (Elo 2208.6).Размер весов: 118.03M параметров для классификатора и 121.11M параметров для регрессора.
Установка инференс-пакета выполняется из GitHub-репозитория
ai-for-data/inpriora с поддержкой Triton.Веса распространяются под свободной лицензией Apache License 2.0.










Comments