C’è un oggetto digitale così comune che quasi non lo notiamo più: il foglio di calcolo. Righe e colonne, un cliente per riga, un valore per colonna. È la spina dorsale silenziosa di banche, ospedali, magazzini e uffici comunali, il posto dove finiscono i dati quando qualcuno deve prendere una decisione. Curiosamente, la rivoluzione dei foundation model l’aveva scavalcato: modelli enormi hanno imparato a scrivere, a disegnare, a parlare, ma davanti a una banale tabella di numeri per anni lo strumento migliore è rimasto quello di dieci anni fa, gli alberi decisionali con gradient boosting. Il rapporto tecnico di TabPFN-2.5, pubblicato dal team di Prior Labs il 6 novembre 2025, racconta un tentativo serio di colmare quel ritardo.
Cosa sostituisce, e perché conta
Per misurare la portata della proposta bisogna sapere come si è sempre lavorato con una tabella. Lo standard, da anni, sono gli alberi con gradient boosting: XGBoost, CatBoost, LightGBM. Funzionano bene, ma pretendono un rito. Per ogni nuovo dataset si addestra un modello da zero e lo si mette a punto con lunghe sessioni di tuning degli iperparametri, spesso ore di ricerca alla cieca per trovare la configurazione giusta. È come assumere ogni volta uno specialista nuovo e formarlo da capo per quel singolo caso: efficace, ma lento e artigianale.
I tabular foundation model propongono un altro paradigma. Invece di addestrare un modello sul tuo dato, si pre-addestra una volta sola una rete su un’enorme distribuzione di problemi tabellari sintetici; poi, davanti a una tabella vera, la rete predice tramite in-context learning anziché discesa del gradiente. Sono predittori «senza addestramento», meta-istruiti a produrre stime già calibrate, senza il tuning che gli alberi richiedono. La promessa è particolarmente interessante nei domini con pochi dati, dove addestrare un modello dedicato è fragile. TabPFN-2.5 è la terza generazione di questa linea: la prima versione, nel 2022, gestiva al massimo mille righe di soli numeri; TabPFNv2 è arrivata a diecimila righe e ha imparato a digerire dati veri, con categorie, valori mancanti e outlier.
Il meccanismo: una tabella che entra come contesto
La sigla PFN sta per Prior-Data Fitted Network, ed è la chiave di tutto. L’idea, ereditata dalla ricerca su cui poggia TabPFN, è di insegnare a un transformer a imitare l’inferenza bayesiana. In termini ideali, la previsione perfetta su un nuovo punto $x$, dati gli esempi già visti $D$, è una media su tutte le ipotesi possibili $\phi$, ciascuna pesata da quanto spiega bene i dati:
$$p(y \mid x, D) = \int p(y \mid x, \phi)\, p(\phi \mid D)\, d\phi$$
Questo integrale è quasi sempre impossibile da calcolare. La mossa dei PFN è non calcolarlo affatto, ma addestrare una rete $q_\theta$ ad approssimarne direttamente il risultato. Durante il pre-addestramento la rete vede milioni di dataset sintetici generati da un «prior», e a ogni giro deve indovinare l’etichetta nascosta di un punto avendo sotto gli occhi gli altri. L’obiettivo minimizzato è semplicemente l’errore di questa previsione, mediato su tutti i problemi sintetici:
$$\mathcal{L}(\theta) = \mathbb{E}_{(x,\,y,\,D)\,\sim\,p}\big[-\log q_\theta(y \mid x, D)\big]$$
Il risultato è controintuitivo. A modello addestrato, usarlo non richiede più alcun addestramento: la tua intera tabella di esempi entra nella rete come contesto, insieme al punto da predire, e la risposta esce in un solo passaggio in avanti, un forward pass. Nessuna curva di apprendimento, nessun iperparametro da cercare. L’analogia più onesta è quella del medico esperto: non «studia» da zero il tuo caso, l’ha già visto migliaia di volte in formazione e legge la tua cartella a colpo d’occhio. L’architettura è un transformer con attention alternata che guarda sia lungo le righe sia lungo le colonne, così che l’ordine in cui presenti i dati non cambi la previsione.
Nel paradigma classico ogni tabella richiede un addestramento e un tuning dedicati. TabPFN sposta quel costo a monte, nel pre-addestramento su dati sintetici: al momento dell’uso, la tabella entra come contesto e la previsione esce in un passaggio.
Cosa cambia in questa versione
Il salto di TabPFN-2.5 è soprattutto di scala. Il modello è progettato per dataset fino a 50.000 righe e 2.000 colonne: rispetto a TabPFNv2 sono cinque volte le righe e quattro volte le colonne, che moltiplicate danno un aumento di venti volte nel numero di celle gestibili. Sotto il cofano la rete è più profonda (da 12 a 18 livelli per la regressione, 24 per la classificazione) e incorpora le colonne a gruppi di tre invece che di due, il che accelera anche il calcolo. Un dettaglio curioso, preso in prestito dalla letteratura sui modelli linguistici: al dataset vengono aggiunte 64 «righe di pensiero» apprese durante il pre-addestramento, capacità di calcolo extra che aiutano il modello a ragionare e a ignorare le righe irrilevanti. C’è poi una variante, Real-TabPFN-2.5, rifinita su 43 dataset reali presi da OpenML e Kaggle e deduplicati rispetto ai benchmark, che spinge ancora più in alto i risultati.
I risultati, con i numeri veri
Il metro di giudizio è TabArena, il benchmark tabellare più curato oggi disponibile (51 dataset scelti tra oltre mille, in uscita alla NeurIPS 2025). Qui TabPFN-2.5, in un solo forward pass e senza tuning, supera gli alberi con gradient boosting messi a punto e arriva a pareggiare AutoGluon 1.4, un ensemble complesso ottimizzato per quattro ore che al suo interno include perfino il precedente TabPFNv2. È il dato più eloquente: un singolo passaggio contro quattro ore di macchina.
I confronti diretti sono altrettanto netti. Contro XGBoost nella sua configurazione di default, TabPFN-2.5 registra un tasso di vittoria del 100% sui dataset di classificazione piccoli e medi (fino a 10.000 righe e 500 colonne). Sui dataset più grandi, fino a 100.000 righe e 2.000 colonne, il tasso di vittoria scende ma resta alto: 87% in classificazione, 85% in regressione. C’è anche un fronte inatteso: applicato all’inferenza causale sul benchmark RealCause, TabPFN-2.5 usato come stimatore risulta il migliore, con i metodi basati su PFN che occupano le prime sette posizioni. Il costo di calcolo cresce come $O\!\big(r^2 \min(c, 500) + r\,\min(c,500)^2\big)$ nel numero di righe $r$ e colonne $c$, con il numero di colonne considerate limitato a 500 per stimatore.
I limiti, dichiarati
Il rapporto è onesto sui confini. Il primo è la scala: 50.000 righe sono molte per un foglio di calcolo, ma poche per il big data; gli stessi autori indicano come prossimo obiettivo il salto ai milioni di righe, oggi fuori portata. Il secondo è pratico. Il forward pass è «senza addestramento» ma non gratuito in memoria: con la cache attiva il modello consuma circa 6 kilobyte di GPU per ogni cella del dataset, motivo per cui, in produzione, il team propone un motore di distillazione che comprime TabPFN in un piccolo MLP o in un ensemble di alberi veloci da servire. Quel motore, però, è proprietario e riservato alla licenza commerciale.
Ed è qui il limite che pesa di più, ed è di natura non tecnica. TabPFN-2.5 esce sotto una licenza che consente ricerca, test e valutazione interna, ma vieta esplicitamente ogni uso commerciale o in produzione: niente prodotti che generano ricavi, niente decisioni commerciali interne basate sugli output. Per quello serve una licenza enterprise a pagamento o l’API cloud dell’azienda. Va ricordato, infine, che una parte dei numeri più forti arriva dai benchmark interni degli autori, e che il pre-addestramento è interamente su dati sintetici: la qualità del modello riflette la qualità del «prior» scelto da chi lo ha costruito, una scatola di assunzioni che l’utente non vede.
Perché tenerlo d’occhio
Al di là dei singoli punti percentuali, TabPFN-2.5 è interessante perché mette alla prova un’idea con conseguenze pratiche immediate: che per la forma di dati più diffusa e meno glamour, la tabella, si possa saltare del tutto la fatica di addestrare e mettere a punto un modello. Se la promessa regge fuori dai benchmark, cambia il gesto quotidiano di chi lavora con i dati, dallo studio di un ospedale al reparto rischi di una banca. Restano due se non piccoli: la scala oltre le decine di migliaia di righe, e una licenza che oggi tiene la porta della produzione chiusa a chiave. Ma la direzione è segnata, ed è quella che il resto dell’AI ha già preso per il testo e le immagini. Il foglio di calcolo, forse, era solo l’ultimo della fila.
Il paper
Prior Labs Team, TabPFN-2.5: Advancing the State of the Art in Tabular Foundation Models, rapporto tecnico, 6 novembre 2025. Sito del progetto: priorlabs.ai.
I commenti sono riservati agli iscritti.
Accedi per commentare