arXiv:2606.03681v1 Announce Type: new 
Abstract: Pretraining cost is a major bottleneck for research on tabular foundation models, slowing the iteration cycle for new architectures, priors, and optimization ideas. Yet the community lacks a simple way to compare and accumulate pretraining speedups. We introduce a community speedrun for nanoTabPFN: contributors modify a single-file training script and compete to reach a fixed downstream ROC AUC target on subsampled TabArena using one NVIDIA L40S GPU. The current best record reaches the target in 0.92 minutes, an 81x speedup over the 74.32 minute baseline while using 22x fewer synthetic datasets. The speedrun format provides a simple protocol for the community to add, verify, and stack pretraining improvements, with the leaderboard open to contributions. Code and records are available at https://github.com/borawhocodess/modded-nanotabpfn.

تم إطلاق مبادرة جديدة للسبيدران المجتمعي لنموذج nanoTabPFN، تهدف إلى تسريع عمليات ما قبل التدريب لنماذج الأساس الجدولية. يقوم المشاركون بتعديل نص تدريب بملف واحد للوصول إلى هدف ثابت من ROC AUC على مجموعة بيانات مختارة باستخدام وحدة معالجة الرسومات NVIDIA L40S، مع تسجيل أفضل وقت حالي عند 0.92 دقيقة، مما يمثل تسريعًا بمقدار 81 مرة مقارنة بالخط الأساسي السابق.

Se ha lanzado una nueva iniciativa de speedrun comunitaria para el modelo nanoTabPFN, con el objetivo de acelerar los procesos de preentrenamiento para modelos de fundación tabular. Los participantes modifican un script de entrenamiento de un solo archivo para alcanzar un objetivo fijo de ROC AUC en un conjunto de datos submuestreado utilizando una GPU NVIDIA L40S, con el mejor tiempo actual registrado en 0.92 minutos, lo que representa una aceleración de 81 veces respecto a la línea base anterior.

Une nouvelle initiative de speedrun communautaire a été lancée pour le modèle nanoTabPFN, visant à accélérer les processus de préentraînement pour les modèles de fondation tabulaires. Les participants modifient un script d'entraînement à fichier unique pour atteindre un objectif fixe de ROC AUC sur un ensemble de données sous-échantillonné en utilisant un GPU NVIDIA L40S, avec le meilleur temps actuel enregistré à 0,92 minutes, représentant un gain de vitesse de 81 fois par rapport à la référence précédente.

A new community speedrun initiative has been launched for the nanoTabPFN model, aiming to accelerate pretraining processes for tabular foundation models. Participants modify a single-file training script to achieve a fixed ROC AUC target on a subsampled dataset using an NVIDIA L40S GPU, with the current best time recorded at 0.92 minutes, representing an 81x speedup over the previous baseline.