TabICL: A Tabular Foundation Model for In-Context Learning on Large Data

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。

为什么现在读它

TabICL 首先把 features 压成 fixed-dimensional row embedding，再沿 rows 做 ICL，是 P11 Unit-token 位置与长表扩展的关键架构对照。

它真正学习或预测的对象

由 column-then-row attention 构造的 row representation，以及在大量 context rows 上执行的分类 ICL predictor。

P11 可以从这里拿走什么

对照 feature-axis compression、row token、跨 row population borrowing 与 P11 Unit-local evidence abduction 的阶段边界。

建议阅读路径

1. 先画出 column encoder 与 row ICL transformer 的两阶段张量图。
2. 再看 60K pretraining / 500K inference 的资源边界。
3. 最后对照机制论文里的 prototype readout 解释。

已有项目材料

• 当前没有下载到仓库的第三方原文；先使用上方一手链接。