"प्रशिक्षण न करने वाला" मॉडल

TabPFN और TabICL को पारंपरिक अर्थों में डेटा पर प्रशिक्षित (train) करने की आवश्यकता नहीं होती — इसीलिए इन्हें "the model that doesn't train" कहा गया है। ये मॉडल पूर्व-प्रशिक्षित फाउंडेशन मॉडल के रूप में काम करते हैं और नए टेबुलर डेटासेट पर सीधे इन्फ्रेंस के जरिए भविष्यवाणियां करते हैं।

तुलना का दायरा और सीमाएं

यह दावा कि इन मॉडलों ने ट्यून किए गए XGBoost को 14 में से 14 मामलों में हराया, अध्ययन में प्रस्तुत तुलना पर आधारित है। हालांकि, सभी परिस्थितियों में XGBoost से इनकी श्रेष्ठता को व्यापक रूप से स्थापित मान लेना अभी समय से पहले होगा, क्योंकि परिणाम विशिष्ट डेटासेट और परीक्षण सेटअप पर निर्भर करते हैं। अध्ययन की सीमाओं को पूरी तरह अस्पष्ट करने के लिए और अधिक स्वतंत्र परीक्षणों की आवश्यकता है।

समग्र रूप से यह दावा आंशिक रूप से सही है — 14/14 का परिणाम अध्ययन में दर्ज तुलना से मेल खाता है, लेकिन इसे सार्वभौमिक निष्कर्ष के रूप में पढ़ा नहीं जा सकता।

Verdict: आंशिक रूप से सही