语义有限的表格数据上的 LLM：来自工业汽车改装预测的证据

工业改造规划取决于结构化操作数据而不是自由文本：规划人员必须估计新注册的原型是否需要改造、需要哪个改造包以及工作需要多长时间。我们研究了一个将原型注册系统（284,271 辆车辆）与改造管理系统（48,716 次清理访问）链接起来的工业数据集，并将强大的表格机器学习基线与行序列化输入上的三种基于 LLM 的策略进行比较：嵌入特征 (Amazon Titan)、直接提示分类 (Claude Sonnet 4) 和 ML+LLM 堆叠方法。在二元发生预测、15 路改造类型分类、每次访问持续时间回归和每月汇总基准方面，经典树集成仍然是最强的独立模型。然而，LLM 结果揭示了一致的模式：嵌入在表上仍然有用（二进制 AUC = 0.982），一旦语义信号被散列剥离（二进制 AUC = 0.500；多类加权 F1 = 0.018），直接提示就会崩溃，而混合堆叠产生最佳的手动构建的多类模型（加权 F1 = 0.626）。在每月基准测试中，基于滞后的机器学习优于时间序列基础模型，尽管 Chronos-small 在零样本预测方面仍然具有竞争力。结果表明，在隐私受限的工业表格上，LLM 作为补充组件比作为强表格基线的替代品更有效。