ReasonTabQA: A Comprehensive Benchmark for Table Question Answering from Real World Industrial Scenarios
Institute of Artificial Intelligence (TeleAI), China Telecom（中国电信人工智能研究所）；Chongqing University（重庆大学）；Beihang University（北京航空航天大学）
ReasonTabQA是一个针对现实工业场景的表格问题回答基准，通过引入TabCodeRL强化学习方法提升模型推理能力，揭示了工业级表格问答的复杂性。
2026-01-12 cs.CL
ReSel: N-ary Relation Extraction from Scientific Text and Tables by Learning to Retrieve and Select
Georgia Institute of Technology（佐治亚理工学院）；Adobe Research（奥多比研究院）；MBZUAI（穆罕默德·本·扎耶德人工智能大学）；BioMap（百图生科）
研究了从科技论文中抽取N元关系元组的问题。这个任务是具有挑战性的，因为目标知识元组可以驻留在文档的多个部分和模态中。我们提出的方法ReSel将此任务分解为两个阶段的过程，首先检索最相关的段落/表，然后从检索到的组件中选择目标实体。对于高级检索阶段，ReSel设计了一个简单有效的特征集，它捕获查询和组件之间的多层次词汇和语义相似性。对于低级选择阶段，ReSel设计了一个跨模态的实体相关图以及一个多视图架构，该架构对实体之间的语义和文档结构关系进行建模。我们在三个科学信息抽取数据集上的实验表明，ReSel的性能明显优于最先进的基线。
2022-10-26 cs.CL
Relation Extraction from Tables using Artificially Generated Metadata
Amazon（亚马逊）
从表中提取关系抽取（RE）是识别表中列对之间关系的任务。通常，用于此任务的RE模型需要标记表进行训练。这些标记的表格也可以从知识图谱（KG）中人工生成，这使得获取它们的成本比手动注释低得多。然而，与真实表不同，这些合成表缺乏相关联的元数据，诸如列标题、标题等;这是因为合成表是从不存储这样的元数据的KG创建的。同时，以前的工作表明，元数据是重要的准确RE从表。为了解决这个问题，我们提出了一些方法来人为地创建一些合成表的元数据。之后，我们实验了一个基于BERT的模型，与最近发表的作品一致，该模型将建议的人工元数据和表内容的组合作为输入。我们的实证结果表明，这导致在F1分数的改善9%-45%，在绝对值，超过2个表格数据集。
2021-09-06 cs.CL cs.IR
S2abEL: A Dataset for Entity Linking from Scientific Tables
University of Michigan（密歇根大学）；Allen Institute for AI（艾伦人工智能研究所）
该研究推出首个面向科学表格的实体链接数据集S2abEL，含732张表格的8429个单元格的人工标注，提出适配知识库外提及的神经基线方法，性能优于通用SOTA方法，同时指出仍有提升空间。
2023-04-30 cs.CL cs.IR cs.LG
GraphOTTER: Evolving LLM-based Graph Reasoning for Complex Table Question Answering
Sichuan University（四川大学）；Stevens Institute of Technology（史蒂文斯理工学院）
本文提出 GraphOTTER，将复杂表格转为无向图并由预定义动作引导逐步推理，从而过滤无关信息、定位答案，实验验证其在复杂表格问答中的有效性。
2024-12-02 cs.CL
DeepTable: Structural Attention Biases and Tree Path Encoding for Hierarchical Table Understanding
National Yang Ming Chiao Tung University（国立阳明交通大学）
针对LLM表格理解中层级结构信息丢失的问题，提出DeepTable，通过结构注意力偏置和树路径编码显式建模行列层级关系，在三个问答基准上显著提升TableLoRA性能。
2026-09-09 cs.CL
A Practical Entity Linking System for Tables in Scientific Literature
GE Research（GE研究中心）；University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）
本文提出一个通用实体链接系统，用于将科学文献表格中的实体链接到 Wikidata，并针对 COVID-19 文献进行适配，利用表格结构特征提升性能，且通过离线实例增强实用性。
2023-06-12 cs.AI cs.CL cs.IR
Enhanced Chart Understanding in Vision and Language Task via Cross-modal Pre-training on Plot Table Pairs
Columbia University（哥伦比亚大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Virginia Tech（弗吉尼亚理工大学）
本文提出ChartT5模型，通过在图表-表格对上设计掩码表头预测和掩码数值预测两种跨模态预训练目标，显著提升了图表问答与摘要性能，在ChartQA上超越非预训练方法8%以上。
2023-05-29 cs.CL cs.CV
An Explainable Header-Centric Framework for Large-Scale Semantic Table Interpretation and Data Quality Assessment
BCB（BCB机构）
该研究提出以表头为中心的可解释框架，用于仅元数据场景下的列类型标注与数据质量评估，在含约12万表头列的多基准上验证，还提供KG映射路径及基准分歧诊断方法。
2026-10-09 cs.AI cs.CL
SciTaRC: A Plan-Annotated Scientific Tabular QA Benchmark for Language Reasoning and Complex Computation
Center for Language and Speech Processing（语言与语音处理中心）；Johns Hopkins University（约翰霍普金斯大学）
SciTaRC是一个针对科学表格数据的问答基准测试，揭示了现有AI模型在语言推理和复杂计算任务上的不足。
2026-08-11 cs.CL
Beyond Extraction: Contextualising Tabular Data for Efficient Summarisation by Language Models
NLP Research Team Yellow.ai（Yellow.ai公司NLP研究团队）
本研究提出一种增强RAG系统复杂表格查询准确性的方法，通过单独提取表格并拼接表头与值进行上下文丰富，结合微调Llama-2-chat模型和ChatGPT 3.5 API单次提示生成摘要，显著提升了查询精度。
2024-02-10 cs.CL cs.LG
Table Comprehension in Building Codes using Vision Language Models and Domain-Specific Fine-Tuning
University of Alberta（阿尔伯塔大学）；Aligarh Muslim University（阿里格尔穆斯林大学）
本文研究了利用视觉语言模型和领域特定微调提取建筑规范中表格信息的方法，发现直接输入方法在准确性上优于间接输入方法，且微调后模型性能显著提升。
2025-11-23 cs.CL
Retrieval-Based Transformer for Table Augmentation
IBM Research AI（IBM研究院人工智能部门）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
提出检索增强自训练Transformer模型，通过随机消融表格自监督学习，解决表格增强任务，在EntiTables和WebTables基准上显著优于现有方法。
2023-06-20 cs.AI cs.CL cs.DB
LitTraceQA: A Benchmark for Multi-Stage Grounding and Verification in Scientific Question Answering
University of Waterloo（滑铁卢大学）；Amazon（亚马逊公司）；City University of Hong Kong（香港城市大学）；University of Amsterdam（阿姆斯特丹大学）
该研究提出LitTraceQA基准，用于科学问答的多阶段溯源与验证，提供含多类型证据的问答数据，可评估系统的论文检索、证据溯源及答案准确性，助力生成可验证的科学问答结果。
2026-08-18 cs.CL
Document-as-Image Representations Fall Short for Scientific Retrieval
Department of Computer Science（计算机科学系）
本文提出ArXivDoc新基准，通过LaTeX源代码构建，对比文本、图像和多模态检索方法，发现基于图像的文档表示效果差，文本表示更有效，多模态方法表现最佳。
2026-10-15 cs.AI cs.CL cs.IR
Generalizing Numerical Reasoning in Table Data through Operation Sketches and Self-Supervised Learning
Seoul National University（首尔国立大学）；Soongsil University（顺天大学）
本文提出TaNOS框架，通过操作草图和自监督学习提升表格数据中数值推理的泛化能力，实验显示其在FinQA数据集上表现优异，且在领域转移中鲁棒性更强。
2026-07-01 cs.AI cs.CL cs.LG
A framework for information extraction from tables in biomedical literature
University of Manchester（曼彻斯特大学）；AstraZeneca plc（阿斯利康公司）
科学文献呈指数级增长，专业人员无法应付当前的出版物数量。文本挖掘在过去提供了从文本中检索和提取信息的方法，然而，这些方法大多忽略了表格和图形。在挖掘表数据方面所做的研究仍然没有一个综合的挖掘方法，可以考虑表的所有复杂性和挑战。我们的研究正在检查从临床文献中的表格中提取数字（患者数量、年龄、性别分布）和文本（不良反应）信息的方法。本文提出了一个需求分析模板和一个完整的临床领域表格信息抽取方法，包括7个步骤：（1）表格检测，（2）功能处理，（3）结构处理，（4）语义标注，（5）语用处理，（6）单元选择和（7）句法处理和抽取。根据变量、任务及其复杂性的不同，我们的方法的F度量值在82%到92%之间。
2019-02-26 cs.CL cs.CV cs.LG
Table Understanding and (Multimodal) LLMs: A Cross-Domain Case Study on Scientific vs. Non-Scientific Data
Deutsches Forschungszentrum für Künstliche Intelligenz GmbH (DFKI)（德国人工智能研究中心有限公司）；Technische Universität Berlin（柏林技术大学）；BIFOLD；Deutsche Telekom（德国电信）；Common Crawl Foundation（Common Crawl基金会）；Humboldt-Universität zu Berlin（柏林洪堡大学）
本文通过跨领域和跨模态评估，研究文本与多模态大语言模型在表格理解上的表现，引入TableEval基准，发现模型对科学表格处理存在显著挑战。
2025-06-30 cs.CL
A Survey on Table-and-Text HybridQA: Concepts, Methods, Challenges and Future Directions
Research Center for Social Computing and Information Retrieval（社会计算与信息检索研究中心）；Harbin Institute of Technology（哈尔滨工业大学）
表格-文本混合问答（HybridQA）是一种广泛应用于金融和科学领域的具有挑战性的自然语言处理任务。早期的研究主要集中在将其他QA任务方法迁移到HybridQA上，随着研究的深入，越来越多的HybridQA专用方法被提出。随着HybridQA技术的迅速发展，对HybridQA技术的系统研究还有待于进一步的探索。因此，本文对当前HybridQA的基准测试和方法进行了总结，并分析了HybridQA面临的挑战和未来的发展方向。本文的贡献可以概括为三个方面：（1）第一次调查，据我们所知，包括基准，方法和挑战的HybridQA;（2）系统的调查与合理的比较现有的系统，阐明其优点和缺点;（3）详细分析的挑战，在四个重要的维度，以揭示未来的发展方向。
2023-02-02 cs.AI cs.CL
Does Table Source Matter? Benchmarking and Improving Multimodal Scientific Table Understanding and Reasoning
The University of Manchester（曼彻斯特大学）；Tencent Timi Studio（腾讯天美工作室）；Idiap Research Institute（Idiap研究所）
本研究提出多模态科学表格理解框架，含52K预训练样本、12K指令数据和3,114测试基准，证明领域特定数据优于通用数据，并提升数值推理能力。
2025-02-25 cs.CL
DiSCoMaT: Distantly Supervised Composition Extraction from Tables in Materials Science Articles
Indian Institute of Technology Delhi（印度理工学院德里分校）
针对材料科学论文表格的成分提取难题，研究者定义了新NLP任务，发布含4408个远监督表格及1475个人工标注表格的数据集，提出结合图神经网络与任务特定正则等的DISCOMAT基线，性能显著优于现有架构。
2024-01-28 cond-mat.mtrl-sci cs.CL cs.IR
SciMMIR: Benchmarking Scientific Multi-modal Information Retrieval
Multimodal Art Projection Research Community（多模态艺术投影研究共同体）；University of Manchester（曼彻斯特大学）；University of Waterloo（滑铁卢大学）；Hong Kong University of Science and Technology（香港科技大学）；Durham University（杜伦大学）
本文提出科学多模态信息检索基准SciMMIR，基于开放论文构建530K图像-文本对并标注两级层次注释，通过零样本与微调评估CLIP、BLIP等模型，揭示科学领域MMIR的关键影响因素。
2024-06-11 cs.CL cs.CV cs.IR
Learning to Reason for Text Generation from Scientific Tables
Technische Universität Darmstadt（达姆施塔特工业大学）
在本文中，我们介绍了SciGen，这是一个新的挑战数据集，用于推理感知的数据到文本生成任务，由科学文章及其相应描述的表格组成。描述科学表格超出了表格内容的表面实现，需要对表格值进行推理。SciGen的独特性质是：（1）表格大多包含数值，（2）相应的描述需要算术推理。因此，SciGen是第一个评估生成模型对复杂输入结构的算术推理能力的数据集，即，科学文章中的表格。我们研究了SciGen上最先进的数据到文本生成模型的有效性，并使用通用指标和人工评估来评估结果。我们的研究结果和分析表明：（a）虽然人类喜欢推理来描述科学表格，但最先进的模型在这项任务上的能力受到严重限制;（b）虽然添加更多的训练数据可以改善结果，但它不是推理感知文本生成的解决方案;（c）这项任务的主要瓶颈之一是缺乏适当的自动评估指标。用于人体评价的数据、代码和注释将在https://github.com/UKPLab/SciGen上提供。SciGen为推理感知文本生成和评估的未来研究开辟了新的途径。
2021-04-16 cs.CL
TAB-AUDIT: Detecting AI-Fabricated Scientific Tables via Multi-View Likelihood Mismatch
Monash University（墨尔本大学）
本文提出TAB-AUDIT框架，通过分析表格内结构与数值内容的不匹配来检测AI伪造的科学表格，构建了包含1173篇AI生成和1215篇人工撰写论文的FabTab基准数据集，实验表明基于随机森林的模型在领域内和领域外的AUROC均显著优于现有方法。
2026-03-20 cs.CL
How Robust are the Tabular QA Models for Scientific Tables? A Study using Customized Dataset
Indian Institute of Technology Kharagpur（印度理工学院克勒格布尔分校）；Indian Institute of Technology Gandhinagar（印度理工学院甘地纳格尔分校）
本文提出包含822个科学表格问答对的SciTabQA数据集，并基于该数据集评估三个最先进表格问答模型，发现最佳F1仅为0.462，揭示了现有模型在科学异构数据上的稳健性不足。
2024-03-30 cs.CL
Table-Text Alignment: Explaining Claim Verification Against Tables in Scientific Papers
National Institute of Informatics, Japan（日本信息机构国家研究所）；The University of Tokyo, Japan（日本东京大学）；National Taiwan University（台湾国立大学）；JFLI, CNRS, Nantes Université, France（法国CNRS-纳antes大学联合研究所）
本文将科学论文中的表格-文本对齐重新构建为解释任务，构建了带单元格级别依据的SciTab扩展数据集，实验证明融入对齐信息能提升验证性能，并揭示多数LLM预测缺乏忠实推理。
2025-09-17 cs.CL
Towards Controlled Table-to-Text Generation with Scientific Reasoning
Shanghai Jiao Tong University（上海交通大学）；IGSNRR, Chinese Academy of Sciences（中国科学院地理科学与资源研究所）
本文提出面向科学表格数据、符合用户偏好的表格到文本生成新任务，构建含高亮单元格和领域知识库的CTRLSciTab数据集，并设计新架构，实验表明大型模型仍难以准确对齐用户偏好。
2023-12-08 cs.CL
Atomic Reasoning for Scientific Table Claim Verification
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Stevens Institute of Technology（史蒂文斯理工学院）；MBZUAI
针对科学表格声明验证中的细粒度推理难题，提出可动态组合原子技能的技能链方法，并构建 SciAtomicBench，仅用350个微调样本即超过 GPT-4o 思维链。
2025-06-08 cs.CL
SemEval-2021 Task 9: Fact Verification and Evidence Finding for Tabular Data in Scientific Documents (SEM-TAB-FACTS)
IBM Research（IBM研究院）
理解表格是一项重要且相关的任务，涉及理解表格结构以及能够比较和对比单元格内的信息。在本文中，我们通过提出一个新的数据集和任务来解决这一挑战，该任务在SemEval 2020任务9中的共享任务中实现了这一目标：科学文档中表格数据的事实验证和证据发现（SEM-TAB-FACTS）。我们的数据集包含981个手动生成的表和1980个自动生成的表，提供超过18万个声明和超过1600万个证据注释。SEM-TAB-FACTS包含两个子任务。在子任务A中，目标是确定一个陈述相对于一个表是被支持的、被反驳的还是未知的。在子任务B中，重点是确定表格中为声明提供证据的特定单元格。共有69支队伍报名参加，其中19支成功提交子任务A，12支成功提交子任务B。我们提出了我们的结果和主要发现的竞争。
2021-05-28 cs.CL
Format Matters: The Robustness of Multimodal LLMs in Reviewing Evidence from Tables and Charts
本文针对多模态大模型跨格式核验科学论断的鲁棒性问题，改造现有数据集开展评测，发现模型更擅长处理表格证据、图表理解能力不足，为后续模型优化指明方向。
2025-11-13 cs.CL
ArxivDIGESTables: Synthesizing Scientific Literature into Tables using Language Models
University of Washington（华盛顿大学）；KAIST（韩国科学技术院）；Allen Institute for AI（艾伦人工智能研究所）
本研究提出利用语言模型自动生成文献综述表的框架，构建并发布含2228张表格的arxivDIGESTables数据集，开发DecontextEval自动评估方法，验证了上下文对生成的提升作用及模型生成新维度的实用价值。
2024-10-25 cs.CL
All Data on the Table: Novel Dataset and Benchmark for Cross-Modality Scientific Information Extraction
Nankai University（南开大学）；Tokyo Institute of Technology（东京工业大学）；Microsoft Research Asia（微软亚洲研究院）；Beijing Academy of Artificial Intelligence (BAAI)（北京人工智能研究院（BAAI））
针对现有科学信息抽取数据集多为单模态、仅覆盖论文特定部分的问题，该研究提出半监督迭代标注流水线，发布跨模态SciIE基准、大规模语料库及标注工具，并验证了方法有效性与大模型的任务潜力。
2023-12-18 cs.CL
Encoded but Not Routed: Explaining the Table-Chart Gap in Scientific Claim Verification
The University of Tokyo（东京大学）；NII LLMC（日本信息处理学会LLMC）；National Institute of Informatics（日本信息处理研究所）；University of Göttingen（哥廷根大学）；Inria, LS2N, Nantes Université（法国国家信息与自动化技术研究院（Inria）、LS2N实验室、南特大学）
通过分层线性探测和注意力分析，发现多模态大语言模型在科学声明验证中，图表信息被编码但未路由到预测位置，导致表格与图表表现差距。
2026-10-05 cs.CL
Medical Scientific Table-to-Text Generation with Human-in-the-Loop under the Data Sparsity Constraint
Genentech Inc（基因泰克公司）；Pangaea Data Limited（泛大陆数据有限公司）
临床前和临床领域的结构化（表格）数据包含有关个人的有价值的信息，高效的表格到文本摘要系统可以大大减少将这些数据压缩到报告中的手动工作。然而，在实践中，该问题受到数据缺乏、数据稀疏以及最先进的自然语言生成模型（包括T5、PEGASUS和GPT-Neo）无法产生准确可靠的输出的严重阻碍。在本文中，我们提出了一种新的表到文本的方法，并解决了这些问题，一个新的两步架构，这是通过自动校正，复制机制和合成数据增强增强。研究表明，该方法从结构化数据中选择突出的生物医学实体和值，并提高了复制表格值的精度（绝对值增加高达0.13），以生成一致和准确的文本，用于分析验证报告和毒理学报告。此外，我们还展示了一个轻量级的适应所提出的系统，以新的数据集进行微调，只有40\%的训练样本。我们的模型的输出是由人类专家在人在环的情况下进行验证。
2022-07-13 cs.CL
Anagent For Enhancing Scientific Table & Figure Analysis
College of William \& Mary；The Allen Institute for AI (AI2)
Anagent通过多代理框架提升科学表格及图表分析的准确性和效率，实现显著的性能提升。
2026-10-30 cs.AI cs.CL
SCITAB: A Challenging Benchmark for Compositional Reasoning and Claim Verification on Scientific Tables
National University of Singapore（新加坡国立大学）；University of California, Santa Barbara（加州大学圣巴巴拉分校）；Sea AI Lab（Sea人工智能实验室）；MBZUAI（穆罕默德·本·扎耶德人工智能大学）
针对现有科学事实核查基准的偏差和过度依赖文本证据的问题，提出包含1.2K条专家验证声明的SCITAB基准，要求基于科学表格进行组合推理验证，实验表明现有先进模型在该任务上面临重大挑战。
2023-10-23 cs.AI cs.CL
Hierarchical structure understanding in complex tables with VLLMs: a benchmark and experiments
DINFO -- University of Florence, Florence, Italy（DINFO -- 佛罗伦萨大学）
本研究构建包含层次标题的复杂表格基准集CHiTab，通过提示工程策略评估开源VLLMs对科学表格层次结构的理解能力，验证通用VLLMs具备该任务能力，为相关集成工作提供指导。
2025-11-11 cs.CL
Orthogonal Hierarchical Decomposition for Structure-Aware Table Understanding with Large Language Models
Zhejiang University of Technology, China（浙江工业大学，中国）；Zhejiang Key Laboratory of Visual Information Intelligent Processing, China（浙江视觉信息智能处理重点实验室，中国）；University of Aberdeen, UK（爱丁堡大学，英国）
针对复杂表格中多级表头、合并单元格等结构导致大语言模型理解困难的问题，提出正交层次分解（OHD）框架，通过空间-语义联合约束的正交树归纳方法将不规则表格分解为列树和行树，并设计双路径关联协议重构单元格语义，在AITQA和HiTab基准上优于现有方法。
2026-06-26 cs.CL cs.IR
SciLens: Multi-modal Scientific Claim Verification with Agentic Entailment and Grounding
The Hong Kong University of Science and Technology（香港科技大学）；Hong Kong Baptist University（香港浸会大学）；NVIDIA AI Technology Center（英伟达人工智能技术中心）
提出SciLens框架，通过将声明分解为原子命题并归因到表格/图表证据，实现多模态科学声明验证，在SciClaimEval上达到79.2%宏F1和63.1%配对准确率。
2026-06-23 cs.CL
Annotating Columns with Pre-trained Language Models
Megagon Labs（Megagon实验室）；Sigma Computing（Sigma计算公司）；Meta AI
在数据管理中，推断有关表的Meta信息（如列标题或列之间的关系）是一个活跃的研究主题，因为我们发现许多表缺少某些此类信息。在本文中，我们研究了注释表列的问题（即，预测列类型和列之间的关系）。我们开发了一个基于预训练的语言模型的多任务学习框架（称为Doduo），该框架将整个表作为输入，并使用单个模型预测列类型/关系。实验结果表明，Doduo在列类型预测和列关系预测任务的两个基准测试中建立了新的最先进的性能，分别提高了4.0%和11.9%。我们报告说，Doduo已经可以用最少数量的令牌（每列只有8个令牌）来超越以前最先进的性能。我们发布了一个工具箱（https：//github.com/megagonlabs/doduo），并通过案例研究证实了Doduo在现实世界的数据科学问题上的有效性。
2022-03-01 cs.CL cs.DB
Benchmarking Multimodal LLMs on Recognition and Understanding over Chemical Tables
State Key Laboratory of Cognitive Intelligence（认知智能国家重点实验室）；University of Science and Technology of China（中国科学技术大学）；Artificial Intelligence Research Institute（人工智能研究院）；iFLYTEK Co., Ltd（iFLYTEK公司）
本文提出ChemTable基准，用于评估多模态模型在理解化学表格中的能力，揭示了现有模型在跨模态对齐和领域推理方面的不足。
2025-12-11 cs.AI cs.CL
Text Assisted Insight Ranking Using Context-Aware Memory Network
Stony Brook University（石溪大学）；Microsoft Research Asia（微软亚洲研究院）；Shanghai Discovering Investment（上海发现投资）；Peking University（北京大学）
从多维表中提取有价值的事实或信息摘要，即洞察挖掘，是数据分析和商业智能中的一项重要任务。然而，对洞察力的重要性进行排名仍然是一项具有挑战性和未经探索的任务。主要的挑战是，显式地对洞察力进行评分或给它一个排名需要对表格的透彻理解，并且需要花费大量的手动工作，这导致缺乏用于洞察力排名问题的可用训练数据。在本文中，我们提出了一个洞察力排名模型，由两部分组成：神经排名模型探索的数据特征，如头部语义和数据的统计特征，和记忆网络模型引入表结构和上下文信息的排名过程。我们还建立了一个带有文本辅助的数据集。实验结果表明，我们的方法在很大程度上提高了多评价指标的排名精度。
2018-11-13 cs.CL cs.IR
Retrieving Complex Tables with Multi-Granular Graph Representation Learning
University of Southern California（南加州大学）
自然语言表检索（NLTR）的任务是基于自然语言查询来检索语义相关的表。现有的用于此任务的学习系统通常基于表格被构造为多个框架的假设将表格视为纯文本。但是，表可以具有复杂的布局，这表明子表结构之间存在不同的依赖关系，例如嵌套的标题。因此，查询可能涉及跨这些结构分布的相关内容的不同跨度。此外，这样的系统无法推广到训练集之外的新场景。先前的方法仍然远离NLTR问题的可推广的解决方案，因为它们在处理复杂的表布局或多粒度查询方面存在不足。为了解决这些问题，我们提出了基于图的表检索（GTR），一个具有多粒度图表示学习的可推广的NLTR框架。在我们的框架中，一个表首先被转换成一个表格图，单元格节点，行节点和列节点，以捕捉不同粒度的内容。然后，表格图被输入到Graph Transformer模型，该模型可以捕获表格单元格内容和布局结构。为了增强模型的鲁棒性和通用性，我们进一步引入了基于图上下文匹配的自监督预训练任务。两个基准测试的实验结果表明，我们的方法导致显着的改进，目前国家的最先进的系统。进一步的实验表明，我们的方法在跨数据集的推广，并增强了处理复杂的表和满足不同的查询意图的能力有前途的性能。代码和数据可在https://github.com/FeiWang96/GTR上获得。
2021-05-04 cs.AI cs.CL cs.IR
SciClaimEval: Cross-modal Claim Verification in Scientific Papers
SciClaimEval是一个包含真实科学声明和跨模态证据的数据集，用于验证科学论文中的声明，通过专家标注和多模态模型测试，揭示了基于图表验证的挑战。
2026-02-13 cs.CL
SciDaSynth: Interactive Structured Data Extraction from Scientific Literature with Large Language Model
Bosch Research North America（博世北美研究院）；Weill Cornell Medicine（威尔康奈尔医学院）；Cornell University（康奈尔大学）；Hong Kong University of Science and Technology（香港科技大学）
SciDaSynth是一个基于大语言模型的交互式系统，通过整合科学文献中的文本、表格和图形，自动生成结构化数据表，并支持验证与细化，实验证明其比基线方法更高效地生成高质量结构化数据。
2025-09-04 cs.CL cs.HC
PlotGround: Grounding Plot Digitization in Real Scientific Figures and Their Source Data
Generative Expert Labs, Inc（生成专家实验室公司）；Stanford University（斯坦福大学）；Princeton University（普林斯顿大学）
PlotGround构建了基于真实科学图形及其源数据的图表数字化基准，揭示多模态模型在精确恢复数值上的不足，并证明提供源表格可显著提升编码代理的准确率并降低成本。
2026-10-20 cs.CL cs.CV
Beyond Text and Tables: Vision-Language Model Integration in ComProScanner for Extracting Materials Data from Scientific Figures with High Accuracy
Energy, Materials and Environment Research Centre, London South Bank University, London SE1 0AA, UK（能源、材料与环境研究中心，伦敦南银行大学）；School of Engineering and Design, London South Bank University, London SE1 0AA, UK（工程与设计学院，伦敦南银行大学）；Bioscience and Bioengineering Research Centre, London South Bank University, London SE1 0AA, UK（生物科学与生物工程研究中心，伦敦南银行大学）；Department of Physics, Kings College London, London WC2R 2LS, UK（物理系，伦敦国王学院）
本文通过集成视觉-语言模型扩展ComProScanner框架，实现了从科学图表中自动提取成分-性能数据，在压电陶瓷数据集上达到0.97的组成准确率和归一化F1分数，并引入基于范围的误差阈值评估方法。
2026-05-19 cond-mat.mtrl-sci cs.AI cs.CL
Layout-Guided Masking for GROBID: Lightweight Structural Gains in Large-Scale Scientific PDF Ingestion
ScienciaLAB；Helmholtz-Zentrum Hereon（亥姆霍兹-盖斯特哈赫特研究中心）
针对GROBID提出布局引导掩码方法，用轻量级CPU检测器定位图形表格等区域并路由或丢弃令牌，在多个语料库上提升结构解析性能，且成本远低于GPU系统。
2026-09-23 cs.CL cs.DL
arXiVeri: Automatic table verification with GPT
University of Cambridge（剑桥大学）；Shanghai Jiao Tong University（上海交通大学）；Shanghai AI Laboratory（上海人工智能实验室）；Filtir；University of Oxford（牛津大学）
针对科研论文数值转录易出错的问题，提出自动表格验证新任务AutoTV与基准arXiVeri，设计表格匹配、单元格匹配两项评估指标，基于大语言模型构建简单基线，实验表明该任务对GPT-4等先进LLM仍具挑战性，代码与基准将公开。
2023-06-13 cs.AI cs.CL
