Planilhas e tabelas de banco de dados continuam sendo onde vive a maior parte dos dados das empresas, e três tarefas aparecem o tempo todo: prever um alvo que falta, como o cancelamento de um cliente, preencher células vazias e gerar linhas sintéticas que possam ser compartilhadas sem expor clientes reais. Cada tarefa tem suas ferramentas e benchmarks. Um novo preprint pergunta se um único modelo já dá conta das três, e responde com um cauteloso "em parte".
O One Table Benchmark, ou OTBench, de pesquisadores da StableAI, da Universidade Tsinghua e de outras universidades chinesas, cobre 56 conjuntos de dados, 46 métodos e 20 eixos de capacidade. A escolha central é que as três tarefas usam as mesmas divisões de dados, então os resultados de um método em previsão, imputação e geração podem ser comparados diretamente, e não entre conjuntos de teste sem relação. A equipe também treinou cinco arquiteturas base com todas as combinações dos três objetivos de treinamento, em cinco conjuntos de dados e com três sementes aleatórias, para ver se aprender uma tarefa ajuda outra.
Os resultados se dividem numa linha clara. Previsão e imputação tendem a ordenar os métodos de forma parecida, e a geração acompanha as duas quando os dados sintéticos são avaliados pela utilidade para treinar um modelo posterior. Mas quando são avaliados pela fidelidade à distribuição original, as classificações divergem e às vezes se invertem. Alguns modelos generalistas superam carteiras de ferramentas especializadas em utilidade, enquanto os especialistas seguem vencendo em fidelidade. Modelos de fundação tabulares recentes, usados congelados e sem ajuste por conjunto de dados, foram bem em previsão e no preenchimento de números: o LimiX-2 liderou todos os eixos de previsão mostrados, e o TabPFN-3 liderou a precisão numérica pontual na imputação. Nenhum modelo foi o melhor nos três perfis.
Os experimentos de treinamento trazem um alerta prático. Treinar com o objetivo da própria tarefa deu os maiores ganhos, como esperado, e a geração teve os efeitos colaterais positivos mais amplos sobre outras tarefas. Mas os benefícios de objetivos extras não simplesmente se somam, então combiná-los não é ganho garantido.
Para equipes de dados, a lição é concreta: um único modelo de fundação pode ser um padrão sensato quando você precisa de previsões ou de dados sintéticos úteis, mas se os dados sintéticos precisam substituir estatisticamente o original, por exemplo numa divulgação sensível à privacidade, um gerador especializado ainda é a escolha mais segura. Vale notar que os autores principais são ligados à StableAI e que o código está numa organização do GitHub com o nome do LimiX, o modelo que liderou a previsão, então uma replicação independente ajudaria. É um preprint sem revisão por pares.