EXAONE Tabular, da LG, lidera benchmarks de dados tabulares

Dados tabulares ganham um modelo reutilizável

Enquanto o mundo da IA fala de chatbots e geração de texto, a maior parte dos dados que circula nas empresas continua sendo tabela: vendas, cadastros, planilhas, séries de sensores. É para esse terreno que a LG AI Research aponta com o EXAONE Tabular 1.0, um sistema reutilizável de predição para dados tabulares que liderou vários comparativos em um novo pré-print no arXiv.

A proposta é ousada: um algoritmo que faz previsões em conjuntos de dados novos por meio de aprendizado em contexto — usando os dados novos como contexto, em vez de otimizar parâmetros específicos para cada conjunto. Na prática, isso muda o custo de colocar um modelo preditivo para trabalhar em uma planilha inédita.

Liderança em regressão, ranking e eficiência

O EXAONE Tabular registrou o maior Elo de classificação no TabArena, o maior R² médio nos conjuntos de regressão BCCO e TALENT, e a melhor posição média no ScoringBench para R² e RMSE (estimativas pontuais) e para CRPS (qualidade de distribuição preditiva). No TabArena, a inferência padrão de passada única levou 0,605 segundo por 1.000 amostras — o modelo ficou na fronteira de Pareto entre precisão e latência, cerca de 125 pontos de Elo acima do TabPFN-3 em latência comparável.

Na regressão, a vantagem relatada foi sobretudo de custo: o EXAONE atingiu o regime de precisão do TabFM a aproximadamente um décimo primeiro do custo de inferência — embora os intervalos de confiança de 95% se sobreponham, então esse ganho deve ser lido com incerteza sobre a diferença exata de precisão.

Classificação próxima, não dominante

Os resultados não foram uma vitória completa. Na classificação, o EXAONE ficou em segundo lugar para o TabFM na precisão média, tanto no BCCO quanto no TALENT. Em 106 conjuntos de classificação do BCCO, a precisão média foi 0,792 contra 0,799 do TabFM — uma diferença absoluta de 0,007. No TALENT, foram 0,857 contra 0,863. Como os intervalos de confiança se sobrepõem, a diferença não foi tratada como estatisticamente significativa sem um teste adicional.

Na regressão, a ordem se inverteu: o EXAONE teve o maior R² médio em 50 conjuntos do BCCO (0,799, à frente do TabPFN-3 com 0,795) e em 100 conjuntos do TALENT (0,736, à frente do TabFM com 0,733).

Treino em escala sintética

Para treinar o modelo, os autores usaram receitas separadas de classificação e regressão sobre tabelas sintéticas: cerca de 30 milhões de instâncias para classificação e 10 milhões para regressão, em precisão bf16. O design de processamento, chamado CAST, intercala o processamento no eixo das features com o processamento condicionado por suporte no eixo dos itens, preservando representações em nível de célula.

O trabalho é um pré-print na versão 1, datado de 26 de agosto de 2026, e ainda não passou por revisão por pares. As conclusões valem dentro dos quatro benchmarks públicos avaliados — TabArena, BCCO, TALENT e ScoringBench — e não sustentam uma alegação universal de superioridade sobre qualquer alternativa.