本技能用于交付固定版本、经过任务评估的 TabPFN 工作流。TabPFN 在预训练阶段学习合成数据先验，推理时以带标签训练表为条件；其常规 fit 未必是数据集专属的梯度训练，显式微调是另一项独立操作。
用途与路由：了解上下文学习、选择检查点、评估适用性与限制，读“模型与容量决策”；安装/认证、本地与托管、许可与离线边界，读“安装与产物”；准备与切分数据、保留预测时特征、校准与对比，读“评测流程”；微调、重载、恢复、解决容量/列/类别失败，读“适配与恢复”；核查证据质量与来源，读“来源台账”。在树模型、TabPFN、TabICL、序列模型与 LLM 之间选择时加载 ml-engineering；统计设计与校准用 data-scientist；语言模型 SFT/LoRA/RL 用 unsloth；TabICL 模型、API 与条款不同，本技能不操作它。
执行要点：先区分分类或回归、本地包或托管客户端、检查点代次、数据模式与权限、商用/生产范围、加速器与运行目标。不要默认选最新检查点，代码与权重条款随版本而异；下载可能需接受许可与认证，任务授权不等于可代用户接受条款或把私有表发送到托管客户端。首次改动前确认目标、范围与回滚路径，只读探查可不确认。使用隔离运行目录并保留已接受的环境与产物，不要顺手删除模型、改驱动或开服务。
流程：运行只读 doctor 并记录包版本（元数据不等于导入/CUDA 兼容）；选版本匹配的官方配方；记录包、检查点、代码/权重许可决定、集成/子采样设置与本地或托管范围；冻结训练、开发/校准与前向留出分组，排除留出标签；用本地清单审计筛查限制、分组/特征重叠、预测时特征可用性、标签成熟度与未见类别，但语义审查仍不可省；对齐列与类型并保留仅训练集预处理；用小规模加载/拟合/预测验证设备与内存；在相同行、特征、调参预算与校准策略下对比简单/树模型基线与 TabPFN，保留分类/时间/分组回归与资源成本；新进程重载需保留检查点、带标签上下文、列、变换与配置，并独立评分留出预测。三个不收敛的兼容性尝试后应停止，给出最小复现与版本清单。
本地辅助脚本（Python 3.10+，仅标准库）：python3 scripts/tabpfn_check.py doctor；python3 scripts/tabpfn_check.py audit templates/task-manifest.json；python3 -m unittest discover -s scripts -p 'test_*.py'。捆绑清单是合成契约示例而非实测。审计器接受分类/回归、三个非空分组前向切分、检查点/包/许可记录与显式行列策略限制，只输出计数、代码、行号与文件哈希，不输出表值或分组身份；退出 0 通过，1 有问题/输入无效，2 为 CLI 参数错误；最大清单 16 MiB；不加载模型，也不证明许可批准、真实特征时间戳、校准、GPU 分配或无语义泄漏，且不审计任意 CSV、预训练模型泄漏、GPU 容量或托管载荷传输。
证据边界：本技能的离线辅助测试已运行，但本地 TabPFN 加载、检查点认证、预测、微调与 GPU 执行未在本技能研究中执行；官方报告与厂商限制是来源证据，非本地复现性能。上述事实之外的收费、平台与效果信息暂未提供。