Konzeptkarte

SAP-RPT — Wie der Relational Pretrained Transformer funktioniert (Architektur)

Stand 10. Oktober 2026

Redaktion: Cédric Mary, alleiniger Redakteur und verantwortlich für die Veröffentlichung — 27 Jahre im SAP-Ökosystem. Wie diese Seiten entstehen und wo Automatisierung eingesetzt wird.

Was ist SAP-RPT?

SAP-RPT sagt per In-Context-Learning vorher: Die gesendeten bekannten Zeilen sind seine Trainingsmenge für diesen Aufruf. Die ConTextTab-Linie ergänzt ein tabellennatives Design um Semantik — Sprachmodell-Embeddings von Spaltennamen und Werten, modalitätsspezifische Kodierungen, Vortraining auf realen Tabellen; die Kontextauswahl ist der wichtigste Genauigkeitshebel.

SAP-RPT (Relational Pretrained Transformer) gehört zu einer jungen Modellklasse, den tabellarischen Foundation Models, die für Tabellen leisten, was große Sprachmodelle für Text geleistet haben: ein einziges vortrainiertes Netz, das sich zur Inferenzzeit an eine neue Aufgabe anpasst, statt dafür trainiert zu werden. Diese Seite erklärt die Mechanik — was in einem Vorhersageaufruf geschieht und warum die Designentscheidungen die Genauigkeit bestimmen. Versionen, Zugang, API-Grenzen und Preise behandelt C165.

Der Kernmechanismus: In-Context-Learning auf einer Tabelle

Ein klassisches Modell wird einmal pro Aufgabe trainiert: Sie passen XGBoost an historische Rechnungen an und bewerten dann neue Rechnungen. SAP-RPT kehrt das um. Seine Gewichte sind nach dem Vortraining fix; die „Trainingsdaten“ Ihrer Aufgabe reisen in jeder Anfrage mit. Sie senden Kontextzeilen mit bekanntem Zielwert und Abfragezeilen, deren Zielzelle einen Platzhalter enthält. Das Modell liest die ganze Tabelle auf einmal und leitet für jede Abfragezeile das Ziel aus den Beziehungen ab, die es zwischen Spalten und zwischen Abfrage- und Kontextzeilen beobachtet. Es findet kein Gradientenschritt statt. Das ist In-Context-Learning (ICL), dasselbe Prinzip, mit dem ein LLM einigen Beispielen im Prompt folgt — angewandt auf Zeilen und Spalten statt auf Wörter.

Daraus folgen zwei Konsequenzen. Erstens hängt die Vorhersage vom gewählten Kontext ab: Ändern Sie die Kontextzeilen, kann sich die Antwort ändern, genau wie ein Few-Shot-Prompt die Antwort eines LLM verändert. Zweitens gibt es kein Modellartefakt, das bei Datendrift neu trainiert werden müsste — Sie aktualisieren stattdessen den Kontext.

Warum es zählt

Weil der Kontext die Trainingsmenge ist, verlagert sich die Datenaufbereitung vom Feature Engineering zur Kontextkuratierung — der Fähigkeit, die im Projekt über die RPT-Genauigkeit entscheidet.
Wer gemeinsame Mehrzielvorhersage und Kontextsensitivität versteht, vermeidet Eskalationen der Art „das Modell ist instabil“, wenn sich Ergebnisse mit den gesendeten Zeilen ändern.
Das semantische, auf realen Daten beruhende Design erklärt, warum RPT auf ERP-Tabellen voller Codes und Kurztexte zielt — und wo TabPFN, TabICL oder Gradient Boosting weiterhin vorne liegen können.

Kernpunkte

In-Context-Learning: Die Gewichte sind fix; jede Anfrage enthält Kontextzeilen (bekanntes Ziel) und Abfragezeilen ([PREDICT]); es gibt keinen Gradientenschritt.
ConTextTab-Linie (arXiv 2506.10707, NeurIPS-2025-Spotlight): tabellennatives ICL plus Semantik — modalitätsspezifische Embeddings und Sprachmodell-Embeddings von Spaltennamen und Zellwerten.
Vortrainiert auf realen Tabellen (T4, abgeleitet aus TabLib, laut OSS-Model-Card), anders als Modelle mit synthetischem Prior wie TabPFN.
Bis zu zehn Ziele werden gemeinsam vorhergesagt; Ergebnisse können daher von getrennten Einzielaufrufen abweichen.
Die Genauigkeit steuern Sie über den Kontext: Größe, Deep-Modus (Large-Modell, >8.000 Zeilen) und Auswahlstrategie (random vs. heuristic) in Tabular Orchestration.
Die kommerzielle API verbirgt die OSS-Stellschrauben (Kontextgröße, Bagging) hinter einem verwalteten Dienst, doch derselbe Zielkonflikt aus Genauigkeit, Latenz und Kosten gilt weiterhin — der Deep-Modus ist das kommerzielle Gegenstück zu größerem Kontext plus Bagging.
Der Kontext ist die einzige „Trainingsmenge“ des Modells je Aufruf: versionieren, auf Zielleckage und Klassenabdeckung prüfen und eine Kontext-Ablation mit bekannter Antwort wiederholen, sobald sich die Geschäftspopulation verschiebt.

Begriffe auf dieser Seite

In-Context-Learning (ICL): Anpassung an eine Aufgabe zur Inferenzzeit anhand von Beispielen in der Modelleingabe, ohne Gewichte zu ändern.
Kontextzeilen / Abfragezeilen: Zeilen mit bekanntem Ziel, die als Trainingsmenge für den Aufruf dienen, und Zeilen, deren Ziel durch [PREDICT] ersetzt ist.
ConTextTab: SAP-Forschungsmodell (arXiv 2506.10707), das tabellennatives ICL mit semantischen Embeddings und realen Trainingsdaten verbindet; die für SAP-RPT referenzierte Designgrundlage.
Modalitätsspezifisches Embedding: Getrennte Kodierung numerischer, Datums- und Textzellen, damit jeder Datentyp passend dargestellt wird.
Bagging (bei ICL): Mehrere Vorhersagen über unterschiedliche Kontextstichproben, anschließend aggregiert; als Einstellung in SAP-RPT-1-OSS verfügbar.
Heuristische Kontextauswahl: Strategie in Tabular Orchestration, die die den Abfragezeilen ähnlichsten Kontextzeilen wählt; die Alternative ist Zufallsstichprobe.

Quellen

Vollständige Karte für Mitglieder. Was die vollständige Karte ergänzt: den vollständigen Entscheidungsrahmen · den Vergleich SAP · Snowflake · Databricks · Fabric · die häufigen Fallstricke und ihre Behebung · die Kurzreferenz · die Architekturschemata · die Codeblöcke · die zitierfähigen Kennzahlen.

In der App öffnen →

Offene SAP-Projekte

Aktuelle SAP-Analytics-Projekte und Stellen im DACH-Raum: SAP-Analytics-Projekte im DACH-Raum.