近日，稳准智能联合清华大学计算机系教授崔鹏发布新一代数据大模型LimiX-2，模型参数规模提升至400M。在TabArena、BCCO、TALENT三个国际主流结构化数据Benchmark（参照标准）中，LimiX-2总体Elo分数分别达到1935、1432和1506，均位于榜单前列，超过Google、SAP、Amazon等的同类模型。

Elo是衡量模型综合能力的排名指标。TabArena、BCCO、TALENT是国际主流结构化数据模型评测基准，覆盖多类任务，用于评估模型在不同数据集上的泛化能力和预测性能，已成为当前结构化数据基础模型竞争的重要评价依据。

据介绍，LimiX此次模型能力升级主要沿着三条技术路线推进：一是上下文机制网络CMNs（Contextual Mechanism Networks），作为预测依赖关系的系统，将建模重点从预先指定的目标变量，转向变量之间的相互关联；二是在预训练阶段升级自动化合成数据的生成引擎；三是进一步将模型参数规模扩大至400M。

LimiX团队提出上下文机制网络（CMNs），开拓出从“目标预测”走向“结构发现”的结构化数据建模新范式，是将上下文数据的全变量联合依赖作为建模对象，不仅关注变量取什么值，更着眼于发现变量如何相互关联、共同构成怎样的内在结构。这一转变重新确立了模型的学习目标。LimiX通过上下文条件掩码建模（CCMM），在不同观测模式下组织跨变量监督，将变量关系推断确立为明确的预训练目标。

LimiX 采用单元格级（Cell-Level）建模，以变量在各样本中的观测为基本表示单元，保留列身份、具体取值和缺失状态，支持跨变量、跨样本的信息交互。从数据表示、训练目标到网络计算，整体设计围绕联合依赖建模展开。

在训练数据方面，LimiX-2升级了大规模自动化合成数据的生成引擎。结构化数据大量存在于企业内部系统，很难像互联网文本一样被大规模公开获取，因此TabPFN、Mitra等表格基础模型也普遍使用合成数据进行预训练。LimiX-2 可以自动生成线性、非线性、多变量交互、周期变化和噪声扰动等不同分布的数据，让模型在进入真实企业之前，就接触更多的数据结构和变量关系。

截至2026年世界人工智能大会时，上一代LimiX已完成800余个跨行业、跨场景的公开数据集验证，并实现60余个真实场景落地。稳准智能首席科学家崔鹏表示：“LimiX-2 的发布和此次在Benchmark取得的成绩，是团队在结构化数据大模型方向持续探索的重要阶段性成果。我们仍将长期坚持这一技术路线，并不断提升模型对数据规律和变量因果关系的理解能力。未来将继续推动模型在因果智能方向上的发展，助力人工智能更快速地从预测走向决策。”