利用Limix模型对tabular-benchmark数据集实现分类和回归任务
LimiX 是一个专为结构化数据设计的轻量级大模型（仅约 16M 参数），无需任何下游训练即可直接推理，同时具备优秀的泛化能力与概率校准性能。在多种分类与回归任务中，其无训练模式已能达到或超越传统表格模型基线，表现稳健。结合可选的检索增强推理机制（Retrieval Ensemble），模型能够进一步利用训练样本关系改善复杂分布下的预测精度。整体而言，LimiX 在推理成本与效果之间实现了高效平衡，适合在低训练资源场景中快速获得可靠结果。
创建项目
点击工作台右上角 创建项目 新建项目。
初始化配置
按照下图推荐配置，选择镜像、数据及模型
资源配置：P1.large及以上，算力直接影响到生成结果语音的速度，若您选择更高配置，请您确保您有足够的算力点
镜像：选择LimiX-1028
数据：选择LimiX-code、tabular-benchmark
模型：暂无
代码拷贝
cd到LimiX目录下，执行以下指令，将代码拷贝到 /gemini/code 目录下，将数据集拷贝到 /gemini/code/data 目录下
cp -r /gemini/data-1/* /gemini/code
cp -r /gemini/data-2/tabular-benchmark /gemini/code/data
执行完后，可使用 ls命令 检查是否成功，如图所示
数据预处理
利用 process_data.py 脚本对 tabular-benchmark 进行数据预处理，以便LimiX模型进行推理
cd /gemini/code/LimiX-main # 进入启动目录
处理分类数据集示例
python process_data.py \
--input_dir /gemini/code/data/tabular-benchmark/clf_cat \
--output_dir /gemini/code/data/tabular-benchmark_clf_cat_split \
--task_type classification
处理回归数据集示例
python process_data.py \
--input_dir /gemini/code/data/tabular-benchmark/reg_cat \
--output_dir /gemini/code/data/tabular-benchmark_reg_cat_split \
--task_type regression
以上代码仅为示例，只对 clf_cat 与 reg_cat 两组数据进行处理，您也可自行更换输入输出路径，请标明任务类型 task_type 为 classification（分类）或 regression（回归）
模型推理
利用 inference_classifier.py 和 inference_regression.py 脚本分别执行分类和回归任务
cd /gemini/code/LimiX-main # 进入启动目录
执行分类任务
python inference_classifier.py \
--save_name cls_clfcat_noretrieval \
--inference_config_path config/cls_default_noretrieval.json \
--data_dir /gemini/code/data/tabular-benchmark_clf_cat_split \
--model_path /gemini/pretrain/LimiX-16M/LimiX-16M.ckpt
处理回归数据集示例
python inference_regression.py \
--save_name reg_clfcat_noretrieval \
--inference_config_path config/reg_default_noretrieval.json \
--data_dir /gemini/code/data/tabular-benchmark_reg_cat_split \
--model_path /gemini/pretrain/LimiX-16M/LimiX-16M.ckpt
以上代码仅为示例，只对处理过的 clf_cat 与 reg_cat 数据进行处理，模式为无需检索模式（notrieval），速度更快，所需性能和内存较低，
查看推理结果
利用JupyterLab打开 /gemini/code/LimiX-main/result 文件夹，查看刚刚分类和回归的输出，指标保存在 all_rst.csv 中
温馨提示： 完成项目后，记得及时关闭开发环境，以免继续产生费用。如果担心自己忘记关闭，可以提前在右边栏配置处设置自动停止时间。
北数云正在加速接入
更多"科研级"前沿模型 ！
我们相信，通用大模型的普惠化，不仅是技术进步，更是科研创新生态的重要推动力。未来，北数云还将持续上线更多前沿与工具。
欢迎各位用户留言告诉我们：你最希望在北数云看到哪些模型？
我们会持续关注大家的实际科研需求，把算力与模型能力结合，助力每一位开发者和研究者，以最低成本释放最大潜能！
高校专属算力普惠计划进行中！完成认证领1000算力点