P11 把表格写成一张 Unit × Feature 的稠密显式响应矩阵。推荐系统共享 row–column–cell 的计算几何，却通常来自稀疏、受 exposure policy 选择的 User × Item 交互日志。相似的是接口；真正不同的是观测如何产生。
表格大模型可以借用推荐系统的“Unit 表征 + query 表征 → response”结构，但不能把推荐日志误读成从一张稠密表里随机删掉绝大多数 cells。
在 P11 的默认任务里，task 已声明 one row per Unit。每列是一种 feature query，每个 recorded cell 是这个 Unit 在该 feature 上的显式 typed response。训练时遮住一格，是在一张原本完整或近完整的表中人工造题。
几乎每个 Unit 都与每个 feature 发生一次可记录的取值关系。
Mask 的含义：模型本来知道这格的真实值，只是在进入 encoder 前暂时拿走，用它检验能否由同一 Unit 的其他 feature evidence 恢复。
每个 User 通常只被曝光或选择极少量 items。
Missing 的含义：一格空白可能表示没有曝光、没有选择、没有记录或尚未实现；它通常不是一个已知的 0，也不是从完整矩阵中独立随机删掉的值。
共同的计算接口非常干净：从当前 Unit 已观测的 pairs 形成表征，再把它与一个 feature/item query 配对，输出相应 response distribution。
都可以从 visible evidence 即时计算，而不是依赖一张只服务训练 IDs 的 row lookup table。
P11 用 LLM(description) 产生 semantic feature token；RecSys 常用 item ID、content 或二者组合。
两者都学习 Unit–query response；P11 的 response 还必须尊重 numeric、binary、categorical 的 feature-local 类型。
稀疏度不只是存储格式差异。它改变了 missing cell 的语义、可用的监督、合理的 loss，以及模型是否必须显式处理 exposure 与 selection。
| 对象 | P11 稠密表格 | 典型推荐系统 |
|---|---|---|
| Row | task 默认声明 one row per Unit | User / account / persistent Unit |
| Column | 异质 feature；每列有自己的语义、dtype 与 value space | Item / action candidate；常共享一种反馈类型 |
| Recorded cell | 显式 typed value；二元 0 是真实 response | 曝光后的 click、rating、purchase 或其他 interaction |
| Unobserved cell | natural missing，或训练时暂时隐藏的已知真值 | 可能未曝光、未选择、未记录；通常不能直接当负例 |
| Training query | 从 recorded cells 中拿走 target，再用其真值监督 | 预测未见 item response，常需处理 exposure / sampling |
| Reference loss | numeric MSE、binary BCE、feature-local categorical CE | pointwise、pairwise 或 ranking objective，取决于反馈与展示机制 |
P11 的 artificial mask 负责把一张稠密表编译成学习 episode；推荐日志的 observation mask 则由真实 exposure、choice 与 logging process 共同生成。两种 mask 可以长得一样，却不代表同一个数据生成过程。
P11 接受“相似 Units 对相同或语义相近 queries 产生相似 responses”的归纳偏置，但不照搬 user-ID lookup、implicit negative sampling 或统一 rating head。
Visible cells 不负责重新判断“这行是谁”；它们负责恢复这个 Unit 的 response-relevant representation (h_u) 与其在共享结构中的位置。新 row 不查 ID 表，仍可由自己的 feature profile 即时形成表征。
这里的 interaction 是广义的 Unit–Feature 取值或响应关系。遮住一列再恢复它，默认仍是 observational prediction；只有额外声明 action、mechanism 与 identification contract，才进入 intervention。
稠密覆盖为每个 Unit 提供丰富 evidence；LLM-derived feature tokens 又让不同 schemas 中语义相近的 columns 有机会进入共享 feature space。模型由此可以学习一套跨 feature queries 复用的 Unit representation 与 typed response rule——但跨表共享、unseen-schema transfer 和性能仍必须由实验单独证明。