Tabellenkalkulationen und Datenbanktabellen sind noch immer der Ort, an dem die meisten Geschäftsdaten liegen, und drei Aufgaben tauchen dabei immer wieder auf: ein fehlendes Ziel vorhersagen, etwa eine Kündigung, leere Zellen füllen und synthetische Zeilen erzeugen, die sich teilen lassen, ohne echte Kunden preiszugeben. Jede Aufgabe hat eigene Werkzeuge und Benchmarks. Ein neuer Preprint fragt, ob ein einziges Modell inzwischen alle drei beherrscht, und antwortet mit einem vorsichtigen "teilweise".
Der One Table Benchmark, kurz OTBench, von Forschenden bei StableAI, der Tsinghua University und weiteren chinesischen Hochschulen umfasst 56 Datensätze, 46 Methoden und 20 Fähigkeitsachsen. Entscheidend ist, dass alle drei Aufgaben dieselben Datenaufteilungen nutzen, sodass sich die Ergebnisse einer Methode bei Vorhersage, Imputation und Generierung direkt vergleichen lassen statt über unverbundene Testsätze hinweg. Zudem trainierte das Team fünf Basisarchitekturen mit jeder Kombination der drei Trainingsziele, auf fünf Datensätzen und mit drei Zufallsstartwerten, um zu sehen, ob das Lernen einer Aufgabe einer anderen hilft.
Die Ergebnisse teilen sich entlang einer klaren Linie. Vorhersage und Imputation ordnen Methoden meist ähnlich, und die Generierung passt zu beiden, wenn synthetische Daten danach beurteilt werden, wie nützlich sie für das Training eines nachgelagerten Modells sind. Misst man dagegen, wie getreu sie die ursprüngliche Verteilung abbilden, weichen die Rangfolgen ab und kehren sich teils um. Einige Generalisten schlagen Portfolios aus Spezialwerkzeugen beim Nutzen, während Spezialisten bei der Treue weiter vorn liegen. Neuere tabellarische Foundation-Modelle, eingefroren und ohne Feintuning pro Datensatz eingesetzt, schnitten bei der Vorhersage und beim Auffüllen von Zahlen gut ab: LimiX-2 führte bei jeder gezeigten Vorhersageachse, TabPFN-3 bei der numerischen Punktgenauigkeit der Imputation. Kein einzelnes Modell war in allen drei Profilen am besten.
Die Trainingsexperimente liefern eine praktische Warnung. Das Training mit dem Ziel der jeweiligen Aufgabe brachte erwartungsgemäß die größten Gewinne, und die Generierung hatte die breitesten positiven Nebeneffekte auf andere Aufgaben. Doch Vorteile zusätzlicher Ziele addieren sich nicht einfach, ihre Kombination ist also kein Gewinn ohne Kosten.
Für Datenteams ist die Lehre konkret: Ein einzelnes Foundation-Modell kann ein vernünftiger Standard sein, wenn Vorhersagen oder nützliche synthetische Daten gebraucht werden. Müssen synthetische Daten das Original aber statistisch ersetzen, etwa bei einer datenschutzsensiblen Veröffentlichung, bleibt ein spezialisierter Generator die sicherere Wahl. Zu beachten ist, dass die Hauptautoren mit StableAI verbunden sind und der Code in einer GitHub-Organisation liegt, die nach LimiX benannt ist, dem Modell, das bei der Vorhersage vorn lag; eine unabhängige Wiederholung wäre daher hilfreich. Es handelt sich um einen nicht begutachteten Preprint.