TECHNICAL DETAILS
这份资料下面的技术细节文章
技术文章属于当前资料，不与 P11 研究项目入口平级。
WHY NOW
为什么现在读它
LimiX 把 prediction、imputation、generation 与 retrieval 统一为 masked joint-distribution query，是 P11 当前最重要的上游架构与对象对手。
LEARNED OBJECT
它真正学习或预测的对象
context-conditional masked model q(X_Q|X_O,D_C)，通过 cells、groups 与轴向 attention 回答多种观测条件查询。
P11 USE
P11 可以从这里拿走什么
比较 cell/value token、feature grouping、context/query split、mask semantics 与全表 conditional interface，并精确定位 Unit token 的不同。
EVIDENCE BOUNDARY
不要从这篇论文多推一步
joint observational modeling 不自动给出 intervention 或 counterfactual identification；合成 SCM pretraining 也不把 S 变成下游已识别机制。
READING PATH
建议阅读路径
- 先读 P11 中文 reader，建立 cell/group/axis 的张量图。
- 再回到原文 model、training、theory 与 retrieval sections。
- 最后把模型 query、数据 missingness 与 causal query 分开列账。
P11 INTERNAL MATERIAL
已有项目材料
已配套本地中文导读（见下方 README）
papers/P11-tabular-foundation-models/related-materials/limix-arxiv-2509.03505v2/README.md
MY READING NOTE
我的浏览器便笺
可以马上写、刷新后继续。它不上传到服务器，也不会自动进入 P11 的 canonical source。
尚未读取到当前浏览器中的已保存草稿。
保存边界：只保存在当前 browser profile + 当前 origin。localhost 与 wehub.us 是两份笔记；换设备、隐私模式或清理网站数据都可能丢失。长期保存请导出 Markdown 并回填到上面的 canonical path。