企业官网建设流程全解析

mitra-classifier-2（Mitra-v2）是一款面向表格数据的分类基础模型，在 TabArena 和 TALENT 基准上可达到与 TabFM、EXAONE Tabular 同级的 SOTA 精度，并大幅超越 TabPFN-3。本文带你用 3 个步骤完成环境安装、模型加载与第一次预测，新手照着做也能跑通。

先花 1 分钟认识 Mitra-v2

• 架构：12 层 2D Transformer（对行与列同时做注意力计算），75.7M 参数
• 预训练：纯合成数据（混合随机分类器 + 新的 Hybrid SCM 先验）
• 相比 v1 的升级：上下文长度提升 10 倍、特征数量提升 3 倍、优化器改进
• 兼容性：权重可直接替换 Mitra-v1，Apache-2.0 协议开源

模型的核心结构参数定义在 config.json 中（dim=512、12 层、4 头注意力、任务为 CLASSIFICATION），权重文件为 model.safetensors。

第 1 步：一条命令装好运行环境

需要 Python 环境 + AutoGluon 1.6 及以上版本，微调场景还需要 CUDA GPU。推荐用 uv 加速安装：

pip install uv uv pip install "autogluon.tabular[mitra]>=1.6" "tabarena>=0.1.0"

随后按 README.md 中 Usage 一节的命令安装mitra-finetune源码包即可。

第 2 步：在 AutoGluon 中加载模型（几行配置搞定）

无需手写推理代码，把模型名交给TabularPredictor即可：

from autogluon.tabular import TabularDataset, TabularPredictor train_data = TabularDataset(pd.concat([X_train, y_train], axis=1)) test_data = TabularDataset(pd.concat([X_test, y_test], axis=1)) predictor = TabularPredictor(label="target") predictor.fit( train_data, hyperparameters={ "MITRA": {"hf_model": "autogluon/mitra-classifier-2", "fine_tune": False} }, )

第 3 步：跑通第一次预测

predictor.leaderboard(test_data) # 查看精度榜单 proba = predictor.predict_proba(test_data) # 获取概率预测

如果想走独立的mitra-finetune路线，API 同样直观：先通过snapshot_download("autogluon/mitra-classifier-2")拉取权重，再用MitraFinetune(checkpoint_dir=ckpt_dir, problem_type="classification")完成初始化，然后fit→predict_proba两步出结果（完整示例见 README.md）。

进阶：开启微调，把精度再提一档

• 将配置改为"fine_tune": True，即可在 AutoGluon 内部直接微调
• 官方基准成绩采用「50 步微调 + 8 折 bagging」配方：需要 CUDA GPU，且每次predict_proba调用都会执行一轮 bagging 微调，耗时较长
• 注意：AutoGluon 的默认参数与基准报告所用配方不完全一致，追平官方数字建议使用mitra-finetune的官方配方

新手常见问题

Q：没有 GPU 能用吗？A：可以直接推理（fine_tune: False）；但 8 折 bagging 微调配方需要 CUDA GPU。

Q：回归任务该用哪个模型？A：同系列的回归模型是mitra-regressor-2。

Q：从 Mitra-v1 升级到 v2 要注意什么？A：v2 权重是 v1 的直接替代品，推理代码无需改动；性能提升来自更大规模的合成预训练分布与优化器。

项目文件速览

照这 3 步走，你现在就能在结构化数据上跑出 SOTA 级别的分类结果了。