尧图网络 高端网站定制 · 原创设计
免费咨询热线
400-888-6620
免费获取方案
对比实验:Nori-30M在TabArena/TALENT/OpenML三大基准测试中的卓越表现
对比实验Nori-30M在TabArena/TALENT/OpenML三大基准测试中的卓越表现【免费下载链接】Nori-30M项目地址: https://ai.gitcode.com/hf_mirrors/Synthefy/Nori-30MNori-30M是一款拥有约29.2M参数的表格基础模型专为回归任务设计通过上下文学习ICL在无需任务特定训练或微调的情况下仅需少量标记行作为上下文就能在单次前向传播中对新查询行进行预测且完全基于合成数据训练。三大基准测试表现概览 Nori-30M在三个公共基准测试套件的96个回归任务中展现出了优异性能以下是其平均和中位数R²值测试套件数据集数量平均R²中位数R²TabArena130.81480.8834TALENT720.75750.8844OpenML110.64590.6212总体960.75250.8745各基准测试详细分析 TabArena小数据集上的稳定发挥在包含13个数据集的TabArena测试中Nori-30M取得了0.8148的平均R²和0.8834的中位数R²。这表明该模型在小型表格数据场景下能够稳定地进行回归预测充分发挥其上下文学习的优势。TALENT大规模数据集的高效处理面对TALENT测试中的72个数据集Nori-30M依然保持了良好的性能平均R²为0.7575中位数R²达到0.8844。这体现了模型在处理大规模、多样化表格数据时的高效性和可靠性。OpenML复杂数据的挑战应对OpenML测试包含11个数据集Nori-30M在此取得了0.6459的平均R²和0.6212的中位数R²。虽然相比前两个测试套件略有差距但考虑到OpenML数据的复杂性这样的结果依然展示了模型的强大适应能力。模型优势与使用方法 ✨Nori-30M相比约6M参数的基础版在每个测试套件上都表现更强。使用时只需通过pip install synthefy-nori安装库然后按照以下方式调用from sklearn.datasets import load_diabetes from sklearn.model_selection import train_test_split from synthefy_nori import NoriRegressor X, y load_diabetes(return_X_yTrue) X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.2, random_state0) model NoriRegressor(modelnori-30m) model.fit(X_train, y_train) pred model.predict(X_test)模型会自动使用GPU如有否则回退到CPU。也可使用简洁的predict函数直接获取预测结果。总结Nori-30M在TabArena、TALENT和OpenML三大基准测试中均展现出卓越的回归性能尤其是在中小规模数据集上表现突出。其基于合成数据训练的特性和无需微调的便捷使用方式使其成为表格回归任务的理想选择。模型参数文件为nori.pt配置信息可参考config.json。引用software{synthefy_nori_2026, title {Nori: A Tabular Foundation Model Trained on Synthetic Data}, author {Synthefy}, year {2026}, url {https://github.com/Synthefy/synthefy-nori} }【免费下载链接】Nori-30M项目地址: https://ai.gitcode.com/hf_mirrors/Synthefy/Nori-30M创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
RELATED

相关推荐

C++实现自动微分引擎:从原理到神经网络训练实战

C++实现自动微分引擎:从原理到神经网络训练实战

1. 项目概述:为什么要在C里折腾自动微分?如果你用PyTorch或者TensorFlow写过神经网络,那你对loss.backward()这行代码一定不陌生。按下回车,框架就像变魔术一样,帮你算出了网络中每一个参数的梯度。这个“魔术”的核心…

📅 2026/9/22 14:37:30
大模型知识蒸馏实战:从原理到Tessera端到端部署指南

大模型知识蒸馏实战:从原理到Tessera端到端部署指南

在实际大模型应用开发中,很多团队面临一个典型困境:训练出的千亿参数大模型效果优秀,但部署成本高、推理延迟大;而直接使用现成小模型又无法满足业务精度要求。这种“大模型用不起,小模型不够用”的矛盾,正…

📅 2026/9/26 2:45:18
如何用foobox-cn在5分钟内打造终极音乐播放器界面

如何用foobox-cn在5分钟内打造终极音乐播放器界面

如何用foobox-cn在5分钟内打造终极音乐播放器界面 【免费下载链接】foobox-cn DUI 配置 for foobar2000 项目地址: https://gitcode.com/GitHub_Trending/fo/foobox-cn 还在为foobar2000单调乏味的界面而烦恼吗?想要一个既美观又功能强大的音乐播放体验吗&am…

📅 2026/10/6 18:27:33
MORE NEWS

更多资讯

📰

“臻”未来招聘主题项目:从口号到落地全流程解析

“臻”未来——等你改变世界,这句话放在招聘页面上,第一眼看上去像一句宏大的口号。但干过招聘的人都懂,越是这种带点理想主义的文案,背后越是要有实打实的东西托底,否则候选人面试完出门就会觉得被骗了。我过去几年参…

📰

Claude Code源码泄露全解析:终端AI编程代理架构与安全边界

最近技术圈最热的话题,绕不开Claude Code。安装教程到处都是,接DeepSeek的折腾帖一个接一个,突然“Claude Code源码泄露”的消息又冲上热门,直接把这款AI编程工具推到风口浪尖。我也花了不少时间把社区里流传的零碎信息翻来覆去看…

📰

Webpack逆向分析与电商数据爬取实战

1. 项目背景与核心挑战最近在分析某电商平台数据时,发现其前端采用了webpack打包的JavaScript代码。与传统的前端代码不同,webpack打包后的代码结构复杂,关键业务逻辑被分散在各个模块中,给爬虫工程师带来了不小的挑战。这种场景下…

📰

Redis集群客户端hiredis-cluster核心原理与实践

1. 为什么需要专业的Redis集群客户端在分布式系统架构中,Redis Cluster作为官方集群方案已经广泛应用于生产环境。与传统单节点Redis相比,集群模式带来了数据分片和高可用特性,但同时也引入了MOVED/ASK重定向、多节点命令路由等新的复杂度。这…

📰

基于单片机的脉搏心跳检测Proteus仿真:从传感器选型到代码联调

简介:这份资源面向需要在Proteus中完成STM32脉搏心跳检测仿真的学习者,适合课程设计、毕业设计或单片机入门进阶阶段使用。方案以STM32F103为核心,用按键模拟脉搏跳动,每按一次即计为一次心跳,数码管实时显示心跳次数&…

📰

酒店消防疏散平面图快速绘制指南

1. 项目背景与核心价值作为一名在酒店行业摸爬滚打十年的工程管理人员,我深知消防疏散平面图对酒店安全运营的重要性。去年参与某连锁酒店消防验收时,就曾因图纸标注不规范被要求返工三次。传统CAD绘图不仅耗时费力,非专业人员更难以快速上手…

TODAY

今日更新

THIS WEEK

本周精选

THIS MONTH

本月热门

读完文章,想聊聊您的网站?

告诉我们您的行业与需求,资深顾问一对一梳理方案与报价,全程免费。

📞 💬