스프레드시트와 데이터베이스 표는 여전히 기업 데이터 대부분이 있는 곳이며, 여기서는 세 가지 작업이 반복해서 나옵니다. 고객 이탈 같은 빠진 목표값을 예측하는 일, 빈칸을 채우는 일, 실제 고객을 드러내지 않고 공유할 수 있는 합성 행을 만드는 일입니다. 작업마다 전용 도구와 벤치마크가 따로 있습니다. 새 프리프린트는 이제 모델 하나로 세 가지를 다 할 수 있는지 묻고, 조심스럽게 "일부는"이라고 답합니다.
StableAI, 칭화대학교 등 중국 대학 연구진의 One Table Benchmark, 줄여서 OTBench는 56개 데이터셋, 46개 방법, 20개 능력 축을 다룹니다. 핵심 설계는 세 작업이 모두 같은 데이터 분할을 쓴다는 점입니다. 그래서 한 방법의 예측, 대체, 생성 결과를 서로 무관한 테스트 세트가 아니라 직접 비교할 수 있습니다. 팀은 또 다섯 가지 기반 모델을 세 학습 목표의 모든 조합으로, 다섯 데이터셋과 세 가지 무작위 시드로 학습시켜 한 작업을 배우는 것이 다른 작업에 도움이 되는지 살폈습니다.
결과는 뚜렷하게 갈렸습니다. 예측과 대체는 방법의 순위를 비슷하게 매기는 경향이 있고, 합성 데이터를 후속 모델 학습에 얼마나 쓸모 있는지로 평가하면 생성도 두 작업과 맞아떨어집니다. 하지만 합성 데이터가 원래 분포를 얼마나 충실히 재현하는지로 평가하면 순위가 어긋나고 때로는 뒤집힙니다. 유용성에서는 일부 범용 모델이 전문 도구 조합을 앞서지만, 충실도에서는 여전히 전문 도구가 이깁니다. 최근의 표 데이터용 기반 모델은 데이터셋별 미세 조정 없이 고정한 채 써도 예측과 숫자 채우기에서 좋은 성적을 냈습니다. LimiX-2는 제시된 모든 예측 축에서 1위였고, TabPFN-3는 대체 작업의 수치 점 정확도에서 1위였습니다. 세 관점 모두에서 최고인 모델은 없었습니다.
학습 실험은 실무적인 경고도 줍니다. 예상대로 그 작업 자체의 목표로 학습했을 때 향상이 가장 컸고, 생성은 다른 작업에 가장 폭넓은 긍정적 부수 효과를 냈습니다. 그러나 추가 목표의 이득은 단순히 더해지지 않으므로, 합친다고 공짜로 얻는 것은 아닙니다.
데이터 팀에게 주는 결론은 구체적입니다. 예측이나 쓸모 있는 합성 데이터가 필요하다면 기반 모델 하나를 기본으로 쓰는 것이 합리적일 수 있습니다. 하지만 개인정보에 민감한 공개처럼 합성 데이터가 통계적으로 원본을 대신해야 한다면, 여전히 전문 생성기가 더 안전한 선택입니다. 주요 저자들이 StableAI 소속이고, 코드가 예측에서 1위를 한 모델 LimiX의 이름을 딴 GitHub 조직에 있다는 점도 유의할 만하므로 독립적인 재현이 도움이 될 것입니다. 동료 심사를 거치지 않은 프리프린트입니다.