★ FEATURED ARTICLE 【免费下载链接】mitra-classifier-2项目地址https://ai.gitcode.com/hf_mirrors/autogluon/mitra-classifier-2点击查看免费下载mitra-classifier-2Mitra-v2是一款面向表格数据的分类基础模型在 TabArena 和 TALENT 基准上可达到与 TabFM、EXAONE Tabular 同级的 SOTA 精度并大幅超越 TabPFN-3。本文带你用 3 个步骤完成环境安装、模型加载与第一次预测新手照着做也能跑通。先花 1 分钟认识 Mitra-v2架构12 层 2D Transformer对行与列同时做注意力计算75.7M 参数预训练纯合成数据混合随机分类器 新的 Hybrid SCM 先验相比 v1 的升级上下文长度提升 10 倍、特征数量提升 3 倍、优化器改进兼容性权重可直接替换 Mitra-v1Apache-2.0 协议开源模型的核心结构参数定义在 config.json 中dim512、12 层、4 头注意力、任务为 CLASSIFICATION权重文件为 model.safetensors。第 1 步一条命令装好运行环境需要 Python 环境 AutoGluon 1.6 及以上版本微调场景还需要 CUDA GPU。推荐用 uv 加速安装pip install uv uv pip install autogluon.tabular[mitra]1.6 tabarena0.1.0随后按 README.md 中 Usage 一节的命令安装mitra-finetune源码包即可。第 2 步在 AutoGluon 中加载模型几行配置搞定无需手写推理代码把模型名交给TabularPredictor即可from autogluon.tabular import TabularDataset, TabularPredictor train_data TabularDataset(pd.concat([X_train, y_train], axis1)) test_data TabularDataset(pd.concat([X_test, y_test], axis1)) predictor TabularPredictor(labeltarget) predictor.fit( train_data, hyperparameters{ MITRA: {hf_model: autogluon/mitra-classifier-2, fine_tune: False} }, )第 3 步跑通第一次预测predictor.leaderboard(test_data) # 查看精度榜单 proba predictor.predict_proba(test_data) # 获取概率预测如果想走独立的mitra-finetune路线API 同样直观先通过snapshot_download(autogluon/mitra-classifier-2)拉取权重再用MitraFinetune(checkpoint_dirckpt_dir, problem_typeclassification)完成初始化然后fit→predict_proba两步出结果完整示例见 README.md。进阶开启微调把精度再提一档将配置改为fine_tune: True即可在 AutoGluon 内部直接微调官方基准成绩采用「50 步微调 8 折 bagging」配方需要 CUDA GPU且每次predict_proba调用都会执行一轮 bagging 微调耗时较长注意AutoGluon 的默认参数与基准报告所用配方不完全一致追平官方数字建议使用mitra-finetune的官方配方新手常见问题Q没有 GPU 能用吗A可以直接推理fine_tune: False但 8 折 bagging 微调配方需要 CUDA GPU。Q回归任务该用哪个模型A同系列的回归模型是mitra-regressor-2。Q从 Mitra-v1 升级到 v2 要注意什么Av2 权重是 v1 的直接替代品推理代码无需改动性能提升来自更大规模的合成预训练分布与优化器。项目文件速览文件作用README.md安装方法、使用示例与参考文献config.json模型结构配置层数、维度、任务类型model.safetensors模型权重文件照这 3 步走你现在就能在结构化数据上跑出 SOTA 级别的分类结果了。赞分享【免费下载链接】mitra-classifier-2项目地址https://ai.gitcode.com/hf_mirrors/autogluon/mitra-classifier-2点击查看免费下载相关推荐Cadence快速上手指南从安装到运行第一个工作流只需30分钟Cadence快速上手指南从安装到运行第一个工作流只需30分钟 Cadence是一个分布式、可扩展、持久化且高可用的编排引擎专门用于以可扩展和弹性的方式执行后端任务调度工作流自动化微服务ERNIE-4.5-0.3B-PT快速上手指南从环境搭建到文本生成只需3步ERNIE 4.5 0.3B PT快速上手指南从环境搭建到文本生成只需3步 引言轻量级大模型的革命性突破 你是否还在为大型语言模型 LLM 部署时的硬件门槛基础模型大模型NLP如何快速上手DeepSeek-V3-W4A8-PruingModelScope下载到跑通第一次推理只需10分钟如何快速上手DeepSeek V3 W4A8 PruingModelScope下载到跑通第一次推理只需10分钟 DeepSeek V3 W4A8 Pruing上一篇Node-RED机器学习集成指南5步实现AI功能自动化流程下一篇FunASR SOND模型数据预处理完全指南从音频到说话人识别的全流程解析创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
阅读完成 · 觉得有帮助？
