SAP/sap-rpt-1-oss — 昇腾 NPU 适配模型

赛事: 昇腾 Model Agent 模型适配大赛（第二季）引擎: torch_npu + sap_rpt_oss（ConTextTab）硬件: Ascend 310P / 910B 标签: npu ascend pytorch tabular foundation-model

📖 模型简介

sap-rpt-1-oss（原名 ConTextTab，NeurIPS 2025）是语义感知的表格上下文学习基础模型。通过专门的列名/内容语义嵌入 + 12 层跨行跨列 Transformer 编码器，在大型真实世界表格数据上训练，支持少样本表格分类与回归（含语义丰富的 CARTE 基准）。

属性	值
原始模型	https://ai.gitcode.com/hf_mirrors/SAP/sap-rpt-1-oss
参数量	~400M（12 层编码器 + 语义嵌入）
任务类型	表格分类 / 回归（In-Context Learning）
输入格式	表格数据（特征 X + 标签 y，训练/测试切分）
输出格式	预测标签 / 概率 / 回归值 + 准确率/R² 指标

🔧 环境依赖

pip install -r requirements.txt -i https://repo.huaweicloud.com/repository/pypi/simple/
pip install git+https://github.com/SAP-samples/contexttab.git  # sap_rpt_oss 核心库

🚀 推理步骤

⚠️ 本仓库不包含模型权重（交付件仅 inference.py / readme.md / requirements.txt / assets/），推理前必须先从原始模型仓单独下载权重。

# 1. 下载模型权重（仓库不含权重，必须单独下载）
git clone https://gitcode.com/hf_mirrors/SAP/sap-rpt-1-oss.git ./sap-rpt-1-oss

# 2. 运行 NPU 推理（分类）
python3 inference.py --model_path ./sap-rpt-1-oss \
  --data data.npz --task classification \
  --device npu:0 --output inference_result.json

🧪 测试用例

用例 1: 乳腺癌分类（30 特征，569 样本）

python3 inference.py --model_path ./sap-rpt-1-oss \
  --data test_data.npz --task classification \
  --device npu:0 --output inference_result.json

预期输出:

[Model Agent] ✅ NPU 设备就绪: Ascend310P3
[Model Agent] ✅ 数据加载: 共 569 行, 训练 398, 测试 171, 特征 30
[Model Agent] ✅ 分类完成: 准确率 0.9942, 推理耗时 31.441s
[Model Agent] ✅ 结果已保存 → inference_result.json

推理结果摘要:

{
  "model": "SAP/sap-rpt-1-oss",
  "engine": "torch_npu",
  "device": "npu:0",
  "task": "classification",
  "n_train": 398,
  "n_test": 171,
  "n_features": 30,
  "accuracy": 0.9942,
  "inference_time_s": 31.441
}

📁 目录结构

.
├── inference.py          # NPU 推理脚本
├── readme.md             # 本文件
├── requirements.txt      # 依赖清单
└── assets/               # 截图素材

📝 适配说明

本模型由昇腾 Model Agent 自动完成 NPU 适配：

本地化补丁：checkpoint 与句子嵌入模型（all-MiniLM-L6-v2）走本地目录，避免离线环境 HF 下载
SDPA 兼容补丁：torch_npu 不支持 F.scaled_dot_product_attention，全局替换为手动 matmul 实现
NPU 设备适配：库内部仅支持 cuda/cpu，加载后将模型迁移至 NPU（float32）
已在 Ascend 310P3 上实跑验证通过（分类准确率 0.9942），输出合法

SAP/sap-rpt-1-oss — 昇腾 NPU 适配模型

赛事: 昇腾 Model Agent 模型适配大赛（第二季）引擎: torch_npu + sap_rpt_oss（ConTextTab）硬件: Ascend 310P / 910B 标签: npu ascend pytorch tabular foundation-model

📖 模型简介

属性	值
原始模型	https://ai.gitcode.com/hf_mirrors/SAP/sap-rpt-1-oss
参数量	~400M（12 层编码器 + 语义嵌入）
任务类型	表格分类 / 回归（In-Context Learning）
输入格式	表格数据（特征 X + 标签 y，训练/测试切分）
输出格式	预测标签 / 概率 / 回归值 + 准确率/R² 指标

🔧 环境依赖

pip install -r requirements.txt -i https://repo.huaweicloud.com/repository/pypi/simple/
pip install git+https://github.com/SAP-samples/contexttab.git  # sap_rpt_oss 核心库

🚀 推理步骤

⚠️ 本仓库不包含模型权重（交付件仅 inference.py / readme.md / requirements.txt / assets/），推理前必须先从原始模型仓单独下载权重。

# 1. 下载模型权重（仓库不含权重，必须单独下载）
git clone https://gitcode.com/hf_mirrors/SAP/sap-rpt-1-oss.git ./sap-rpt-1-oss

# 2. 运行 NPU 推理（分类）
python3 inference.py --model_path ./sap-rpt-1-oss \
  --data data.npz --task classification \
  --device npu:0 --output inference_result.json

🧪 测试用例

用例 1: 乳腺癌分类（30 特征，569 样本）

python3 inference.py --model_path ./sap-rpt-1-oss \
  --data test_data.npz --task classification \
  --device npu:0 --output inference_result.json

预期输出:

[Model Agent] ✅ NPU 设备就绪: Ascend310P3
[Model Agent] ✅ 数据加载: 共 569 行, 训练 398, 测试 171, 特征 30
[Model Agent] ✅ 分类完成: 准确率 0.9942, 推理耗时 31.441s
[Model Agent] ✅ 结果已保存 → inference_result.json

推理结果摘要:

{
  "model": "SAP/sap-rpt-1-oss",
  "engine": "torch_npu",
  "device": "npu:0",
  "task": "classification",
  "n_train": 398,
  "n_test": 171,
  "n_features": 30,
  "accuracy": 0.9942,
  "inference_time_s": 31.441
}

📁 目录结构

.
├── inference.py          # NPU 推理脚本
├── readme.md             # 本文件
├── requirements.txt      # 依赖清单
└── assets/               # 截图素材

📝 适配说明

本模型由昇腾 Model Agent 自动完成 NPU 适配：

本地化补丁：checkpoint 与句子嵌入模型（all-MiniLM-L6-v2）走本地目录，避免离线环境 HF 下载
SDPA 兼容补丁：torch_npu 不支持 F.scaled_dot_product_attention，全局替换为手动 matmul 实现
NPU 设备适配：库内部仅支持 cuda/cpu，加载后将模型迁移至 NPU（float32）
已在 Ascend 310P3 上实跑验证通过（分类准确率 0.9942），输出合法