受一条称 JSON 不适合“真正™开发者”的评论启发,作者着手构建了一种自定义的二进制序列化格式。最初只是为了进行简单的字节打包实验,最终演变成了一个名为 **jBin** 的完整、基于模式的二进制序列化系统。 该项目利用 LEB128 可变长整数来高效编码数据,并实现了一种自定义模式语言来定义结构体、枚举、联合体和映射。通过利用模式来指定类型,它消除了重复的头部信息,从而实现了类似 C 语言结构体的效率。 开发者完全使用 C++ 从零构建了整个生态系统,包括: * **词法分析器和语法分析器:** 用于处理自定义模式语法。 * **语义分析器:** 用于验证类型并处理依赖关系。 * **动态打包器:** 能够通过引用模式将 JSON 直接转换为二进制格式。 * **多语言代码生成器:** 使用访问者模式(Visitor pattern)来生成原生语言结构。 最终,与标准 JSON 相比,jBin 的有效载荷大小减少了约 **80%**。该项目成为了 Protobuf 等大型工具的一种稳健且无需依赖的替代方案,证明了二进制序列化既可以高度高效,又可以成为一种有趣的实现过程。
本文评估了“表格基础模型”(如 TabICL 和 TabPFN),这类模型通过“上下文学习”在无需传统训练或超参数调优的情况下对新数据进行预测。
作者在十四个数据集上将这些模型与“经过调优的 XGBoost”进行了对比测试。研究结果表明表格数据工作流可能迎来范式转变:
* **性能:** 在 AUC 指标上,TabICL 在每个数据集上的表现均优于经过调优的 XGBoost。在准确率方面,除了少数例外,其表现始终具有竞争力或更胜一筹。
* **效率:** 其主要优势不仅在于准确率,还在于省去了耗时的超参数调优这一“繁琐流程”。XGBoost 通常需要数秒甚至数小时来优化,而基础模型往往能在不到一秒的一次前向传递中提供高质量的结果。
* **可扩展性:** 即使数据集规模增加到 32,000 行,这一优势依然存在。
* **局限性:** 在“宽”表格(数百列)上性能会下降,这很可能是受限于 Transformer 的注意力机制。此外,与轻量级树模型相比,部署过程更为复杂,且部分模型的最新版本增加了限制性的许可壁垒。
**结论:** 对于典型表格(不超过 30,000 行,少于 100 列),基础模型提供了更优、近乎瞬时的基准,是快速探索的理想选择。