К содержимому
Другое

PFN-DiD

оценка причинно-следственных эффектов на таблицах

2 мин чтенияобновлено

PFN-DiD от автора lisuo — модель для эконометрики и причинно-следственного анализа на двухпериодных панельных данных. Она оценивает средний эффект воздействия на тех, кто ему подвергся (ATT — Average Treatment Effect on the Treated), а также неопределённость этой оценки. В основе лежит замороженная табличная модель TabPFN-3.5 от Prior Labs, к которой добавлены лёгкие обучаемые адаптеры (155 712 параметров) для оценки склонности к воздействию и регрессии исходов. В отличие от базовой TabPFN-3.5, решение заточено под метод разности разностей (DiD — Difference-in-Differences) с пятикратной кросс-подгонкой и двойной устойчивостью. Инструмент пригодится исследователям и аналитикам данных, работающим с оценкой эффектов на небольших числовых таблицах.

Ключевые особенности

  • Лёгкая архитектура: используются только 155 712 обученных параметров адаптера поверх замороженной базы TabPFN-3.5.
  • Двойная устойчивость: сочетает отдельные адаптеры для propensity-score и регрессии исходов с пятикратной кросс-подгонкой.
  • Работа без ковариат: поддерживает числовые таблицы на 500 независимых наблюдений, включая случаи без наблюдаемых признаков.
  • Офлайн-запуск и CPU: после скачивания весов с проверкой SHA-256 инференс работает локально без интернета и проверен на CPU и MUSA.

Что можно сделать

  • Оценивать эффект вмешательств: считать ATT, стандартную ошибку и 95% доверительный интервал для двухпериодных панельных наблюдений.
  • Встроить в пайплайны оценки: использовать готовый Python-интерфейс Predictor (подготовленный как бандл для StatsArena) для пакетного прогона таблиц.
  • Анализировать таблицы без признаков: получать оценки эффекта даже в сценариях, где доступны только индикатор воздействия и изменение целевой переменной.

Пример

from predict import Predictor, read_observed

predictor = Predictor(backbone_path, device="cpu", threads=4)
result = predictor(
    read_observed("arena-methods/example/observed_n500.npz"),
    fold_seed=39007
)
print(result)
ПодробнееБенчмарк (1 000 ID / 1 000 OOD таблиц по 500 строк): RMSE 0.132960 (ID) и 0.171503 (OOD), покрытие 95% интервала — 95.5% (ID) и 93.8% (OOD).
Обучение: 10 000 синтетических таблиц, валидация на 200 таблицах; базовая модель TabPFN-3.5 скачивается отдельно с Hugging Face.
Ограничения: только для некоммерческих исследований по лицензии TabPFN-3.5; CUDA использует стандартный путь PyTorch, но отдельно не валидировалась.
Обсудить Telegram 1

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.0 GB · готовые файлы0.5 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.5 GB
  • 4-bitвеса 0.0 GB0.5 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.

    # lisuo/PFN-DiD
    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 lisuo/PFN-DiD --local-dir ~/models/PFN-DiD
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к PFN-DiD
  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

Дообучение модели

Prior-Labs/tabpfn_3_5

Новые посты про версии tabpfn_3_5 — сжатые, дообучения, LoRA — появятся в колокольчике.

LoRA и адаптеры 1Все на Hugging Face

О модели

lisuo/PFN-DiD
Автор
lisuo
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