表格数据

推荐理由：Tydra模型在保持预测性能的同时大幅降低推理时间，比Hydra模型更高效。

推荐理由：三个专精小模型组队填表格空值，比大模型还准，成本只要1%——这篇论文值得看。

推荐理由：这篇论文搞了个新损失函数CoCo，训练收敛快，在OpenML-CC18上跟SVM打成平手，做表格分类任务的可以试试。

推荐理由：TabPack让你不用费心调参就能达到好效果，在普通笔记本上跑都比别人用GPU调参快。

推荐理由：如果你厌倦了 XGBoost 调参，TabFM 不用训练直接预测，省时省力，适合表格数据任务。

推荐理由：Google 新出的 TabFM 模型，不用任何训练就能直接搞定表格数据的分类和回归，一次前向传播出结果，省心省力。

推荐理由：论文系统测量了LLM读表格犯数据引用错误的频率，还训练了个4B批评模型能查出这些错，推理准确率提升12%。适合做表格推理的开发者看。

推荐理由：处理表格数据的团队终于有了区分“不该填”和“该填”缺失值的工具——Diff-Joint解决了传统填补方法盲目恢复所有缺失的痛点，做数据清洗或医疗、金融等缺失值有语义含义的开发者可以直接试。

推荐理由：做数据科学或材料信息学的团队终于有了一个无需统一变量名就能对齐异构表格数据的方法，检索准确率高达0.9还支持隐私保护，做RAG或算法选择的开发者可以直接参考。