深度分析 FEAT：以雙軸編碼與AFBM/Conv-GLA實現線性複雜度的結構化資料基礎模型 結構化資料應用遍及醫療與金融等領域。FEAT以線性複雜度多層雙軸編碼替代二次自注意，採AFBM與Conv-GLA分別處理局部與全域互動，並以真實與合成資料混合預訓練及Huber重建穩定化優化。實驗在11個實際資料集展現零樣本能力，並在極長上下文達到高達40×推論加速。
