评估SAP RPT-1用于企业业务流程预测：面向结构化SAP数据的上下文学习 vs 传统机器学习
机器学习
2026-02-24 v1 人工智能
摘要
表格基础模型旨在使企业数据无需任务特定训练即可实现机器学习。本文从实践者视角对SAP的检索预训练变换器(RPT-1)进行首次独立评估。RPT-1是一个紧凑的64.6 MB模型，预训练于1.34 TB跨310万张表的结构化数据。我们在三个SAP业务场景中对其进行基准测试：SD/MM/PP模块中的需求预测、BC/MM/QM中的预测数据完整性、FI/CO/AR中的财务风险分类。在2500至3200行数据的五折交叉验证中，RPT-1在无任何训练示例的情况下达到91-96%的调优GBDT准确率。分类差距在AUC-ROC上保持在3.6-4.1个百分点，尽管回归任务显示更大的差距，在R平方上为8.9-11.1个百分点。有趣的是，在约75-100上下文行处，RPT-1在数据有限时实际上超过XGBoost。基于这些结果，我们提出一种实用混合工作流程：使用RPT-1进行快速筛查，然后在预测准确率值得投入 effort 时选择性训练GBDT。所有实验均通过公开可用的Hugging Face Spaces可复现。
引用
@article{arxiv.2602.19237,
title = {Evaluating SAP RPT-1 for Enterprise Business Process Prediction: In-Context Learning vs. Traditional Machine Learning on Structured SAP Data},
author = {Amit Lal},
journal= {arXiv preprint arXiv:2602.19237},
year = {2026}
}
备注
12 pages, 5 figures, 32 references. Reproducible experiments available at Hugging Face Spaces