Les feuilles de calcul et les tables de bases de données restent l'endroit où vivent la plupart des données d'entreprise, et trois tâches y reviennent sans cesse : prédire une cible manquante, comme le départ d'un client, remplir des cellules vides et générer des lignes synthétiques partageables sans exposer de vrais clients. Chaque tâche a ses outils et ses benchmarks. Un nouveau preprint se demande si un seul modèle peut désormais faire les trois, et répond par un prudent « en partie ».
Le One Table Benchmark, ou OTBench, conçu par des chercheurs de StableAI, de l'université Tsinghua et d'autres universités chinoises, couvre 56 jeux de données, 46 méthodes et 20 axes de capacités. Le choix clé est que les trois tâches utilisent les mêmes découpages des données, si bien que les résultats d'une méthode en prédiction, imputation et génération se comparent directement plutôt qu'entre des jeux de test sans rapport. L'équipe a aussi entraîné cinq architectures de base avec toutes les combinaisons des trois objectifs d'entraînement, sur cinq jeux de données et avec trois graines aléatoires, pour voir si apprendre une tâche en aide une autre.
Les résultats se partagent nettement. Prédiction et imputation classent souvent les méthodes de façon proche, et la génération rejoint les deux lorsque les données synthétiques sont jugées sur leur utilité pour entraîner un modèle en aval. Mais lorsqu'on les juge sur leur fidélité à la distribution d'origine, les classements divergent et parfois s'inversent. Certains modèles généralistes battent des portefeuilles d'outils spécialisés sur l'utilité, tandis que les spécialistes gardent l'avantage sur la fidélité. Les modèles de fondation tabulaires récents, utilisés figés sans ajustement par jeu de données, se sont montrés solides en prédiction et pour compléter des valeurs numériques : LimiX-2 arrive en tête sur tous les axes de prédiction présentés et TabPFN-3 sur la précision numérique ponctuelle en imputation. Aucun modèle n'est le meilleur sur les trois profils.
Les expériences d'entraînement ajoutent une mise en garde pratique. Entraîner sur l'objectif propre à la tâche donne les plus grands gains, comme prévu, et la génération a les effets secondaires positifs les plus larges sur les autres tâches. Mais les bénéfices d'objectifs supplémentaires ne s'additionnent pas simplement, et les combiner n'est donc pas un gain gratuit.
Pour les équipes data, la conclusion est concrète : un seul modèle de fondation peut être un choix par défaut raisonnable pour des prédictions ou des données synthétiques utiles, mais si les données synthétiques doivent remplacer statistiquement l'original, par exemple pour une publication sensible en matière de vie privée, un générateur spécialisé reste le choix le plus sûr. Notons que les auteurs principaux sont liés à StableAI et que le code est hébergé dans une organisation GitHub portant le nom de LimiX, le modèle arrivé en tête en prédiction ; une réplication indépendante serait donc utile. Il s'agit d'un preprint non relu par des pairs.