给 AI 几行客户资料，让它判断新客户会不会违约，这类表格模型已经不稀奇。问题是，它们往往只盯着一个指定答案。LimiX-2 想再往前一步：学习整张表里各字段如何相互关联，从而让同一个模型处理预测、补全缺失值，甚至发现变量间可能存在的因果结构。
它的关键训练方式是“上下文条件掩码建模”：故意遮住不同单元格，让模型结合当前表格里可见的少量样本，把内容猜回来。换句话说，它不只练习“根据客户资料预测违约”，也练习从收入、地区等字段反推其他未知信息。作者称，LimiX-2 仅用合成数据预训练，无需针对具体任务更新参数；在 TabArena、TALENT 和 BCCO 三组基准中超过现有表格基础模型及按数据集训练的模型，并以四分之一的参数量超过 TabFM。更值得关注的是，这套机制把表格模型从单项预测器推向通用关系建模；不过上述效果与因果结构恢复能力目前均来自论文作者的实验。