TabPFN 作为一种基于先验拟合的表格基础模型，近期在无监督上下文选择、临床决策支持以及金融评测等领域展现出新的应用潜力与研究方向。其核心思想是利用预训练的先验分布，在少量样本上快速适应不同表格任务，成为传统梯度提升方法的替代方案。
- 近期主要进展包括：
- 无监督上下文选择方法 LUCoS：针对 TabPFN 对输入样本排序敏感的缺陷，提出在推理阶段无需额外标签即可选取最优上下文顺序，提升模型在多种表格分类任务中的稳定性和性能（LUCoS：无监督上下文选择提升表格基础模型性能）。
- 儿科 ECMO 临床决策支持：将 TabPFN 应用于模拟学习框架，在儿科体外膜氧合（ECMO）场景中，利用其小样本推理能力辅助医师做出更优的体外循环管理决策（模仿学习用于儿科ECMO临床决策支持）。
- 金融破产预测基准 V4FinBench：专门针对表格基础模型（包括 TabPFN）构建的企业破产预测评测集，涵盖时序与非时序特征，揭示 TabPFN 在此类金融任务中相较传统模型的表现与局限（V4FinBench：用于企业破产预测的表格基础模型评测基准）。
当前焦点在于如何增强 TabPFN 的输入顺序鲁棒性并拓展其在高风险领域（如医疗、金融）的可靠应用。未来观察点包括：无监督上下文选择方法能否推广至更多变体；TabPFN 在时序表格数据上的适应性改进；以及其在可解释性、公平性方面与传统模型的对比。