К содержимому
Другое

Inpriora

табличная foundation-модель от Ant Group без дообучения

2 мин чтенияобновлено

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: fit запоминает 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 InprioraClassifier для прогнозирования категорий и вероятностей классов (predict_proba) на табличных датасетах.
  • Строить регрессионные прогнозы: подключить чекпоинт regressor/ через InprioraRegressor для предсказания непрерывных числовых значений.
  • Встраивать в пайплайны scikit-learn: заменять классические табличные алгоритмы без переписывания кода благодаря стандартным методам fit и predict.

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)
ПодробнееНа 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.
Обсудить Telegram 1

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.5 GB · готовые файлы1.0 GB
  • FP8 / INT8рекомендуемвеса 0.2 GB0.7 GB
  • 4-bitвеса 0.1 GB0.6 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # ai-for-data/inpriora
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download ai-for-data/inpriora --local-dir ~/models/inpriora
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к inpriora
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии inpriora — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

ai-for-data/inpriora
Автор
ai-for-data
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

01

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

Baron 1

Baron 1