К содержимому
Другое

MediPFN

оценка непрямого эффекта на табличных данных

2 мин чтенияобновлено

MediPFN от автора shibo769 оценивает популяционный естественный непрямой эффект (NIE — долю влияния воздействия через промежуточную переменную-медиатор) и его неопределённость по наблюдаемым табличным данным. В основе лежат замороженные веса табличной нейросети TabPFN-v3 от Prior Labs, дополненные кросс-фиттингом (перекрёстной оценкой на фолдах), дообученной головой ошибки и независимой калибровкой доверительных интервалов. В отличие от базового TabPFN-v3, который просто решает задачи классификации и регрессии, эта сборка выдаёт точечную оценку причинно-следственного эффекта, стандартную ошибку и откалиброванные интервалы. Модель пригодится исследователям, биостатистикам и аналитикам, работающим с причинно-следственным выводом (causal inference) и медиационным анализом.

Ключевые особенности

  • Связка с TabPFN-v3: использует официальные веса классификатора и регрессора TabPFN-v3 (около 446 МБ скачиваются при первом запуске).
  • Компонентная архитектура: включает адаптер arena_adapter.pt для прогнозирования мешающих параметров, дообученную голову arena_sft_head.pt для квантилей ошибки и файл калибровки интервалов.
  • Работа на CPU: пример инференса из репозитория запускается на процессоре в 4 потока без обязательного требования GPU.
  • Готовый пакет: в репозитории лежит полный бандл для StatsArena с кодом, зависимостями и синтетическим примером таблицы.

Что можно сделать

  • Провести медиационный анализ на таблицах из 500 строк, передав признаки x, воздействие a, медиатор m и исход y.
  • Встроить класс Predictor в пайплайн оценки для массового прогона таблиц с переиспользованием загруженной модели и заданием fold_seed.
  • Воспроизвести эксперименты из научной статьи arXiv:2611.13219 на синтетических или собственных табличных наборах данных.

Пример

from predict import Predictor, read_observed

predictor = Predictor(classifier, regressor, device="cpu", threads=4)
observed = read_observed(model_dir / "example" / "observed_n500.npz")
result = predictor(observed, fold_seed=18031)
print(result["estimate"], result["standard_error"], result["intervals"])
ПодробнееОкружение: Python 3.10, PyTorch, вес базовых чекпоинтов TabPFN-v3 — около 446 МБ.
Формат входа: чекпоинт StatsArena рассчитан на таблицу из 500 строк (n500) с указанием типов признаков x_types и медиаторов mediator_types.
Пример вывода на тестовой таблице (fold_seed=18031): NIE ≈ 0.24574, стандартная ошибка 0.06337, 95% доверительный интервал [0.06425, 0.42723].
Обсудить Telegram 0

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.

    # shibo769/MediPFN
    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 shibo769/MediPFN --local-dir ~/models/MediPFN
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к MediPFN
  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

Новые посты про версии tabpfn_3 — сжатые, дообучения, LoRA — появятся в колокольчике.

Дообучения 2Все на Hugging Face
LoRA и адаптеры 1Все на Hugging Face

О модели

shibo769/MediPFN
Автор
shibo769
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

Mesh4D_16

Mesh4D_16