工程设计中，仿真与实验昂贵，可用的已评估设计往往只有10到1000个。GenPFN不训练新生成器，而是用权重固定的TabPFN分类器读取已标注设计，在期望设计之间插值，再用分类器梯度与高斯噪声更新候选，每个候选都要经过问题本身的约束和目标函数评估。在14个工程问题上，GenPFN v1的类别满足率高于所测CTGAN、TVAE和TabDDPM，真实度距离更低；在船尾案例中，1000个候选有993个通过几何检查并达到螺旋桨安装面积要求，而2000个随机上下文设计里只有28个达到。
只用“出现记录”预测物种会在哪里出现，长期依赖MaxEnt等需逐数据集调参的物种分布模型。TabPFN 3.5在225种、六个区域的标准基准上不调参即取得平均AUC 0.732，与已发表最佳的五模型集成持平；用其他区域的“出现—背景”任务微调后升至0.736，成为基准上最佳单模型，并显著优于MaxEnt的0.728。作者同时指出，六个区域不足以证明这一优势能推广到新区域，且模型对环境偏倚采样敏感。
癌症结局的组学预测通常先把样本划入离散祖先组、再在组内单独建模，但预测精度会随样本与训练集的遗传距离连续下降。DA-ICL把祖先信息当作连续变量，用主成分分析把基因型投影到低维空间，在每个祖先点上以邻近样本构成上下文，让预训练的表格基础模型在推理时直接给出预测，并用分布感知的上下文增强补充远处但分布相近的样本。在TCGA三种癌症、三种组学模态与两个临床终点的18项任务上，DA-ICL在非洲祖先样本上于10项取得最高平均AUROC，优势随任务而变。
开源 SRAM 设计工具 OpenYieldV2 把位单元拓扑从预先固定的输入变成可优化变量，与晶体管尺寸、阈值电压一起搜索。此前 OpenRAM 只生成版图不做优化，OpenYield 的高保真优化又只针对固定的 6T 单元。该工具用同一套高保真条件编译 6T 与 10T 宏，以少样本 TabPFN 代理模型预测性能，再用由粗到细的多目标优化器联合搜索；在混合拓扑场景中，其超体积比最强的单一拓扑基线最多提升 17.3%。
该工作提出M²PFN，一个端到端框架，通过可微推理把任务梯度回传到3D-MRI与表格编码器、用解耦与对比目标将两种模态对齐到与上下文学习先验匹配的共享子空间，并以可学习门控捷径并入冻结的纯表格预测；在ADNI（n=2240，CN/MCI/AD三分类）上达到65.55%宏F1与82.21%宏AUC，超过所比较的单模态与多模态基线，仅替换预测头即可回归基线MMSE（1250人子队列，测试MAE 1.743），并在OASIS-3与SCAN两个外部队列上无需重训取得最佳AUC与最低MMSE MAE，且在认知量表更换时仍可迁移。
该研究利用表格基础模型TabPFN，基于一个小型活体水凝胶文库，从遗传与工艺参数预测大肠杆菌生产的含CsgA基纤维活体水凝胶的宏观材料性质，在独立验证集上对储能模量G'的预测达到R2=85.1%，相比线性回归将RMSE降低48.0%，并进一步实现按目标性质反推设计参数的性质导向设计。
该研究系统基准测试了基于上下文学习的表格基础模型（TFM）在小有机分子性质预测上的表现，在11个数据集（回归任务、随机与结构感知划分、每个最多10000个分子）上将其与XGBoost、CatBoost、多层感知机等描述符方法及图方法比较，发现TFM在基线经过仔细超参数选择的情况下仍持续优于描述符方法，并与图方法（包括经化学数据预训练者）精度相当或更好，Uni-Mol2在部分实验中略优于TFM，而检索策略（对每个测试分子取Tanimoto相似度最近的500个邻居）在较大数据集和随机划分上带来进一步改进。
已读完全部报道