研究：测试时计算对表格基础模型的收益与局限

一项新研究系统考察了测试时计算对预训练表格基础模型（TFM）预测能力的影响，从适配、聚合与上下文构建三个维度在 TabArena 及 OpenML 上评估。作者提出的 DiagScale 仅训练 0.003-0.03% 参数即达到全量微调效果。 在聚合方面，96 种配置的贪心选择较默认预测器降低 2.4% 误差，而均匀平均反而增加误差。研究结论是：适配与选择性聚合可带来一致的基准收益，上下文构建的收益则更依赖任务与数据条件。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。