ProgramTab: Boosting Table Reasoning of LLMs via Programmatic Paradigm
Big Data and AI Platform Department, Tencent(腾讯大数据与人工智能平台部);Institute of Computer Science and Technology, Soochow University(苏州大学计算机科学与技术学院)
研究基于大语言模型的表格推理问题,提出ProgramTab框架,指导LLMs用Python代码预处理表格数据并进行关键内容提取,实验证明该框架能有效处理表格推理任务,性能优于基于LLM的基线。
2026-07-14 cs.AI cs.CL
ReTAG: Reasoning Aware Table to Analytic Text Generation
Singapore University of Technology and Design(新加坡科技设计大学);Google Research(谷歌研究院)
ReTAG提出一种表格与推理感知模型,利用向量量化在结构感知序列到序列模型中可控地注入多种分析性推理,以提升表格到文本生成的分析性与忠实性,并在ToTTo和InfoTabs上超越最先进基线。
2023-10-30 cs.AI cs.CL
TAP4LLM: Table Provider on Sampling, Augmenting, and Packing Semi-structured Data for Large Language Model Reasoning
National University of Singapore(新加坡国立大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Microsoft(微软);Xi’an Jiaotong University(西安交通大学);Ant Research(蚂蚁研究院)
针对大语言模型处理大表格推理时的可扩展性差、复杂查询难等问题,提出含采样、增强、打包序列化模块的预处理器套件TAP4LLM,经实验验证可有效提升LLM表格推理能力与数据交互效果。
2024-10-10 cs.AI cs.CL
Reasoning-Table: Exploring Reinforcement Learning for Table Reasoning
Institute of Automation, CAS(中国科学院自动化研究所);University of Chinese Academy of Sciences(中国科学院大学)
本文首次将强化学习应用于表格推理,提出Reasoning-Table,通过统一训练和基于规则的结果奖励在多个基准上超越SFT及更大的专有模型,并提升泛化性与鲁棒性。
2025-06-02 cs.CL
Table as Thought: Exploring Structured Thoughts in LLM Reasoning
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Michigan(密歇根大学)
本文提出 Table as Thought 框架,用表格结构组织 LLM 的思维步骤、约束与上下文,并通过迭代填充和自验证提升规划与数学推理能力。
2025-01-04 cs.AI cs.CL
TReB: A Comprehensive Benchmark for Evaluating Table Reasoning Capabilities of Large Language Models
JIUTIAN Research(中移九天)
针对大语言模型处理表格数据推理能力评估基准缺失的问题,提出TReB基准,用分类法涵盖26个子任务,经数据处理构建高质量数据集,设计含三种推理模式的评估框架,揭示现有模型在表格任务上有改进空间,且数据和框架均公开。
2026-07-22 cs.AI cs.CL
NormTab: Improving Symbolic Reasoning in LLMs Through Tabular Data Normalization
University of Alberta(阿尔伯塔大学)
本文提出 NormTab 框架,通过将表格规范化作为独立的预处理步骤,有效解决了网络表格结构差异与不一致问题,显著提升了 LLM 在 WikiTableQuestion 和 TabFact 数据集上的符号推理性能。
2025-04-02 cs.AI cs.CL cs.DB
TabScope: Question-Adaptive Scope Selection for Table Question Answering
The University of Melbourne(墨尔本大学)
该研究针对LLM处理长表格问答时准确率下降的问题,提出TabScope框架,通过问题自适应选择局部或全表推理,在WikiTQ和SLQA基准上取得最佳整体性能。
2026-09-21 cs.AI cs.CL
A Survey of Table Reasoning with Large Language Models
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)
本文综述了基于大型语言模型的表格推理研究,分析了提升性能的主流技术及LLM的优势,并从方法改进与应用扩展提出未来方向。
2024-02-13 cs.CL
Chain-of-Table: Evolving Tables in the Reasoning Chain for Table Understanding
University of California, San Diego(加州大学圣迭戈分校);Google Cloud AI Research(谷歌云人工智能研究院);Google Research(谷歌研究院)
针对 LLM 表格推理中难以有效利用半结构化数据的问题,提出 Chain-of-Table,通过迭代生成操作并演化表格形成结构化推理链,在三个基准上达到最优。
2024-01-19 cs.CL
Rethinking Stepwise Model Routing: A Cost-Efficient Table Reasoning Perspective
University of Science and Technology of China(中国科学技术大学);The University of Melbourne(墨尔本大学);Institute of Artificial Intelligence, Hefei Comprehensive National Science Center(合肥综合国家科学中心人工智能研究院)
提出EcoTab框架,通过分别估计表格令牌和文本令牌的不确定性并映射到下一步失败风险,实现表格推理中准确性与效率的更好平衡。
2026-11-03 cs.CL
H-STAR: LLM-driven Hybrid SQL-Text Adaptive Reasoning on Tables
Virginia Tech(弗吉尼亚理工大学);Arizona State University(亚利桑那州立大学);University of Pennsylvania(宾夕法尼亚大学)
本文提出LLM驱动的H-STAR算法,通过两阶段过程结合符号与语义推理进行表格推理,在多个数据集上显著优于现有方法。
2025-04-07 cs.AI cs.CL cs.DB
RoT: Enhancing Table Reasoning with Iterative Row-Wise Traversals
Harbin Institute of Technology(哈尔滨工业大学)
针对表格推理中长思维链方法训练成本高、易产生表格内容幻觉的问题,提出无需训练的RoT迭代逐行遍历推理方法,通过逐行扩展推理与反思优化减少幻觉,在多个基准上取得更优性能与更高效率。
2025-05-21 cs.CL
RUST-BENCH: Benchmarking LLM Reasoning on Unstructured Text within Structured Tables
Virginia Tech(弗吉尼亚理工大学);IGDTUW New Delhi(新德里IGDTUW);Arizona State University(亚利桑那州立大学)
本文提出RUST-BENCH基准,基于2031张真实异构表格的7966个问题,从规模、异构性、领域专属性与推理复杂度联合评估LLMs,发现现有模型在多跳推理上仍存在明显不足。
2025-11-06 cs.AI cs.CL cs.DB
Table-R1: Inference-Time Scaling for Table Reasoning
Yale NLP Lab(耶鲁大学自然语言处理实验室);Carnegie Mellon University(卡内基梅隆大学)
本文首次探索表格推理的推理时扩展,通过蒸馏和可验证奖励强化学习两种策略,仅用7B参数模型达到或超越GPT-4.1和DeepSeek-R1,并展现强泛化能力。
2025-09-26 cs.CL
FT-RAG: A Fine-grained Retrieval-Augmented Generation Framework for Complex Table Reasoning
Georgia Institute of Technology(佐治亚理工学院);Zhejiang University(浙江大学);Zhejiang Lab(浙江实验室)
FT-RAG通过细粒度检索和多模态融合提升表格推理能力,引入多表RAG库增强训练数据,实现表格和单元格命中率显著提升。
2026-05-02 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
ASTRA: Adaptive Semantic Tree Reasoning Architecture for Complex Table Question Answering
Zhejiang University(浙江大学)
提出ASTRA架构,通过AdaSTR将表格重构为逻辑语义树,并利用DuTR双模式推理框架结合树搜索文本导航与符号代码执行,在复杂表格问答中达到最优性能。
2026-05-26 cs.AI cs.CL cs.LG
Table-R1: Region-based Reinforcement Learning for Table Understanding
Beihang University(北京航空航天大学);Xingchen AGI Lab(星辰AGI实验室);China Telecom Artificial Intelligence Technology (Beijing) Co., Ltd(中国电信人工智能技术(北京)有限公司);Institute of Artificial Intelligence (TeleAI), China Telecom(中国电信人工智能研究院(TeleAI))
本文提出Table-R1,通过区域证据增强和TARPO优化提升LLM的表格理解能力,在多个数据集上提升14.36个百分点,同时降低响应token消耗。
2026-05-13 cs.AI cs.CL
Reasoning over Hybrid Chain for Table-and-Text Open Domain QA
Langboat Technology(澜舟科技);Sun Yat-sen University(中山大学);Microsoft Research(微软研究院);Beihang University(北京航空航天大学)
表格式和文本式问答要求系统在考虑表格结构以及表格和文本之间的联系的情况下对异构信息执行推理。在本文中,我们提出了一个ChAin为中心的推理和预训练框架(CARP)。CARP利用混合链模型描述了问答中表与文本之间的显式中间推理过程。我们还提出了一种新的以链为中心的预训练方法,以增强预训练模型在识别跨模态推理过程和缓解数据稀疏问题方面的能力。该方法通过合成维基百科中的伪异构推理路径并生成相应的问题来构建大规模推理语料库。在一个大规模的表格和文本的开放领域的问答基准测试平台OTT-QA上,我们对系统进行了测试,结果表明,我们的系统达到了最先进的性能。进一步的分析表明,显式混合链提供了显着的性能改善和解释的中间推理过程,和链为中心的预训练,提高性能的链提取。
2022-01-15 cs.CL
TeleTables: A Benchmark for Large Language Models in Telecom Table Interpretation
Paris Research Center, Huawei Technologies(巴黎研究中心,华为技术)
TeleTables 是一个用于评估大语言模型在电信表格解释能力的基准,揭示了在电信标准上进行领域微调的重要性。
2026-09-07 cs.AI cs.CL cs.LG
ALTER: Augmentation for Large-Table-Based Reasoning
School of Statistics, Renmin University of China(中国人民大学统计学院);Center for Applied Statistics, Renmin University of China(中国人民大学应用统计中心)
ALTER框架通过查询增强器和表格增强器利用自然语言问题与半结构化表格中的潜在增强信息,仅使用少量相关数据即在大表格推理基准上超越现有方法,并表现出鲁棒性和高效性。
2024-07-03 cs.CL
TabSQLify: Enhancing Reasoning Capabilities of LLMs Through Table Decomposition
University of Alberta(阿尔伯塔大学)
本文提出 TabSQLify,通过文本到 SQL 生成将大表分解为相关子表,在四个数据集上达到相当或更优性能,并显著缩短上下文、降低计算负载。
2024-04-15 cs.CL cs.DB cs.IR
Turning Tables: Generating Examples from Semi-structured Tables for Endowing Language Models with Reasoning Skills
Tel-Aviv University(特拉维夫大学);The Allen Institute for AI(艾伦人工智能研究所)
用语言建模目标预先训练的模型拥有丰富的世界知识和语言技能,但已知在需要推理的任务中会很困难。在这项工作中,我们建议利用半结构化表格,并自动生成大规模的问题段落对,其中回答问题需要对段落中的多个事实进行推理。我们在这个合成数据上添加了一个预训练步骤,其中包括需要16种不同推理技能的示例,例如数字比较,合取和事实组成。为了提高数据效率,我们提出了采样策略,重点训练模型目前缺乏的推理技能。我们在三个专注于推理的阅读理解数据集上评估了我们的方法,并表明我们的模型PReasM大大优于T5,这是一种流行的预训练编码器-解码器模型。此外,基于当前模型误差的采样示例可以加快训练速度并提高整体性能。
2021-07-15 cs.CL cs.LG
Seek and Solve Reasoning for Table Question Answering
nd University of Toronto(多伦多大学);st Mashang Consumer Finance Co., Ltd.(马莎消费金融有限公司);Mashang Consumer Finance Co., Ltd.(马莎消费金融有限公司)
本文提出寻求与求解流水线及SS-CoT思维链,利用LLM推理能力提升表格问答性能与可靠性,实验验证其高效性。
2025-04-20 cs.AI cs.CL
SCITAT: A Question Answering Benchmark for Scientific Tables and Text Covering Diverse Reasoning Types
Harbin Institute of Technology(哈尔滨工业大学);iFLYTEK Research(讯飞研究院);National University of Singapore(新加坡国立大学)
针对现有科学问答数据集推理类型有限且忽视表格与文本关联的问题,提出SciTaT基准,并设计结合多种推理方法的CaR基线,在SciTaT上平均提升12.9%。
2024-12-16 cs.CL
Rethinking Tabular Data Understanding with Large Language Models
UC San Diego(加州大学圣迭戈分校);USC(南加州大学);UC Davis(加州大学戴维斯分校)
本研究探讨LLMs在表格数据理解上的鲁棒性、文本与符号推理的比较,并提出结构归一化及混合自一致性聚合方法,在WIKITABLEQUESTIONS上达到73.6%的SOTA准确率。
2023-12-27 cs.AI cs.CL cs.DB
Visual-TableQA: Open-Domain Benchmark for Reasoning over Table Images
École de Technologie Supérieure(埃克塞技术学院)
本文提出Visual-TableQA,一个大规模开放领域多模态数据集,用于评估和提升视觉推理能力,包含2500个LaTeX渲染表格和6000对推理密集型问答对,通过多模型协作生成,验证了模型在外部基准上的鲁棒性。
2026-04-21 cs.CL cs.CV
Towards Error-Free EHRs: Reasoning-Intensive Consistency Verification Between Clinical Notes and Structured Tables in Electronic Health Records
KAIST(韩国科学技术院);Ghent University(根特大学);Samsung Medical Center(三星医疗中心);Samsung Changwon Hospital(三星昌原医院);Asan Medical Center(亚山医疗中心)
针对电子健康记录中临床笔记与结构化表格数据不一致的问题,提出推理密集型基准EHR-ReasonCon和基于大语言模型的框架EHR-Inspector,通过锚点实体提取、时间引用和表格探索工具实现高效一致性验证。
2026-11-04 cs.AI cs.CL
TableVista: Benchmarking Multimodal Table Reasoning under Visual and Structural Complexity
Tongji University(同济大学);University of Bristol(布里斯托大学);Tianjin University(天津大学);Yale University(耶鲁大学)
TableVista包含3000个高质量表格推理问题,通过多风格渲染和转换流程生成30000个多模态样本,评估29种基础模型在不同复杂性下的表现,揭示结构复杂性和视觉整合对推理一致性的影响。
2026-11-18 cs.CL cs.CV
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
Decoupling Skeleton and Flesh: Efficient Multimodal Table Reasoning with Disentangled Alignment and Structure-aware Guidance
Harbin Institute of Technology, Shenzhen, China(哈尔滨工业大学(深圳));Peng Cheng Laboratory, Shenzhen, China(鹏城实验室)
提出DiSCo解缠结构-内容对齐框架和Table-GLS全局到局部结构引导推理框架,高效增强LVLM的表格理解与推理能力,无需昂贵监督或外部工具。
2026-05-27 cs.CL cs.CV
Doc2SoarGraph: Discrete Reasoning over Visually-Rich Table-Text Documents via Semantic-Oriented Hierarchical Graphs
National University of Singapore(新加坡国立大学);Estates Pte Ltd(6Estates私人有限公司);University of Science and Technology of China(中国科学技术大学)
本文提出Doc2SoarGraph框架,利用语义导向层次图建模视觉丰富表格-文本文档中元素间的差异与关联,在TAT-DQA数据集上大幅超越基线模型,实现离散推理的新最优性能。
2024-02-22 cs.AI cs.CL
Probing How Scalable Table Data Enhances General Long-Context Reasoning
Large Language Model Department, Tencent(腾讯大语言模型部门);Xi'an Jiaotong University, Xi'an, China(西安交通大学);Fudan University, Shanghai, China(复旦大学)
本文研究表格数据对长上下文推理的增强作用,通过分析表格依赖结构揭示周期性非消失依赖,并提出TableLong框架提升推理能力,实验显示在多个基准上提升8.24%。
2026-03-23 cs.CL
EKLAV: Elicited Key CoT Learning via Answer only superVision
Arizona State University(亚利桑那州立大学);Rensselaer Polytechnic Institute(伦斯勒理工学院);Scale AI
研究针对表格检索训练推理重排器的问题,提出TabRank框架,通过构建数据集并探索两种训练紧凑推理模型的变体,经压力测试,该方法在多表格检索数据集上显著提升性能,有效推广到多表格推理。
2026-10-19 cs.AI cs.CL cs.IR
Tables as Texts or Images: Evaluating the Table Reasoning Ability of LLMs and MLLMs
University of Michigan(密歇根大学);University of Cambridge(剑桥大学);Westlake University(西湖大学)
本文首次系统评估LLMs在文本与图像两种表格表示下的推理能力,通过多基准比较不同提示策略和数据格式,揭示了表示方式与提示对表格任务性能的影响。
2024-10-17 cs.AI cs.CL cs.CV
Large Language Models are Versatile Decomposers: Decompose Evidence and Questions for Table-based Reasoning
University of Science and Technology of China(中国科学技术大学);Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院);DAMO Academy, Alibaba Group(阿里巴巴集团达摩院)
本文利用 LLM 将大表格和复杂问题分别分解为相关子证据与子问题,并提出“解析-执行-填充”策略,在多个表格推理基准上超越基线,且首次在 TabFact 上超过人类表现。
2023-04-27 cs.CL
MMTU: A Massive Multi-Task Table Understanding and Reasoning Benchmark
University of Michigan(密歇根大学);Microsoft Corporation(微软公司)
MMTU是一个大规模多任务表格理解和推理基准,旨在评估模型在专家级别处理真实表格的能力,揭示了当前模型在表格理解、推理和编码方面的挑战。
2026-03-09 cs.AI cs.CL cs.DB
Chain-of-Query: Unleashing the Power of LLMs in SQL-Aided Table Understanding via Multi-Agent Collaboration
Rice University(里士大学);Samsung Electronics America(三星电子美国分公司);Warner Bros. Discovery(华纳兄弟发现)
链式查询通过多智能体协作提升SQL辅助表格理解的准确性与有效性
2025-11-30 cs.AI cs.CL cs.DB
Document-Level Numerical Reasoning across Single and Multiple Tables in Financial Reports
Department of Computer Science and Information Engineering, National Taiwan University(国立台湾大学资讯工程学系);FinTech Center, National Taiwan University(国立台湾大学金融科技中心)
本文提出FinLongDocQA数据集,解决长文档中跨表数字推理问题,发现LLM在长文本中定位和多步计算时存在瓶颈,提出FinLongDocAgent多智能体方法提升可靠性。
2026-04-04 cs.CL
TACR: A Table-alignment-based Cell-selection and Reasoning Model for Hybrid Question-Answering
Tokyo Institute of Technology(东京工业大学);Nanyang Technological University(南洋理工大学);Microsoft Research Asia(微软亚洲研究院);Beijing Academy of Artificial Intelligence(北京人工智能研究院)
针对混合问答中难以遍历表格和关联段落检索证据的挑战,提出基于表对齐的单元格选择与推理模型TACR,通过增强表格-问题对齐检索细粒度证据,在HybridQA和WTQ数据集上取得领先或具竞争力的性能,并显著提升可解释性。
2023-05-24 cs.CL
MATA: Multi-Agent Framework for Reliable and Flexible Table Question Answering
Department of Electrical and Computer Engineering, Seoul National University(首尔国立大学电气与计算机工程系);Interdisciplinary Program in Artificial Intelligence, Seoul National University(首尔国立大学人工智能跨学科项目)
MATA通过多智能体框架和小语言模型工具,提升表格问答的可靠性与灵活性,实验显示其在不同LLM上均取得最佳准确率和高效推理。
2026-04-21 cs.AI cs.CL
Beyond Embeddings: The Promise of Visual Table in Visual Reasoning
The Chinese University of Hong Kong(香港中文大学);Shanghai AI Laboratory(上海人工智能实验室)
本文提出面向视觉推理的层次化文本表征Visual Table及其小规模标注训练生成器,在11个基准上优于既有结构化与文本表征,并可稳定增强多模态大模型。
2024-06-17 cs.AI cs.CL cs.CV
TableMaster: A Recipe to Advance Table Understanding with Language Models
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Tsinghua University(清华大学)
本文提出TableMaster方案,通过提取表格内容并增强语义上下文,结合自适应推理方法,提升语言模型对表格数据的理解能力,实验表明其在WikiTQ数据集上准确率达78.13%。
2026-04-15 cs.CL
Effective Distillation of Table-based Reasoning Ability from LLMs
The University of Manchester(曼彻斯特大学);The University of Surrey(萨里大学);University of Pittsburgh(匹兹堡大学);The University of Durham(杜伦大学)
本文提出一种新颖的基于表的推理蒸馏方法,将LLMs的表推理能力迁移至定制小模型,实验证明2.2亿参数的Flan-T5-base在科学表到文本生成任务上超越传统基线及特定大模型。
2024-03-25 cs.CL
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
Reasoning by Commented Code for Table Question Answering
Department of Data Science, Seoul National University, Seoul, Republic of Korea(数据科学系,首尔国立大学,首尔,大韩民国);Department of Computer Science(计算机科学系);Engineering, Seoul National University, Seoul, Republic of Korea(工程系,首尔国立大学,首尔,大韩民国)
通过注释代码生成框架提升表格问题回答的准确率,结合端到端模型实现84.3%的高精度表现。
2026-01-31 cs.CL
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
Unsupervised Hallucination Detection by Inspecting Reasoning Processes
Nanyang Technological University(南洋理工大学)
提出无监督幻觉检测框架IRIS,通过提示LLM验证陈述真实性获取内部表示特征,结合响应不确定性作为软伪标签,在无需标注数据下实现低成本且泛化性强的实时检测。
2025-09-12 cs.AI cs.CL
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
TableMind++: An Uncertainty-Aware Programmatic Agent for Tool-Augmented Table Reasoning
State Key Laboratory of Cognitive Intelligence(认知智能国家重点实验室)
TableMind++通过引入不确定性感知推理框架,有效缓解LLM的幻觉问题,提升表格推理的准确性和鲁棒性。
2026-03-10 cs.CL
QUIETT: Query-Independent Table Transformation for Robust Reasoning
Arizona State University(亚利桑那州立大学)
QuIeTT通过查询无关的表格转换框架,提升表格推理的可靠性和效率,实验显示在多个基准测试中表现优异。
2026-08-14 cs.CL
The Mighty ToRR: A Benchmark for Table Reasoning and Robustness
IBM Research(IBM研究院);Bar-Ilan University(巴伊兰大学);Stanford University(斯坦福大学);MIT(麻省理工学院)
ToRR基准通过评估模型在不同表格格式和提示下的表现,揭示了表格推理任务中模型的鲁棒性问题,强调多格式测试对评估模型能力的重要性。
2026-02-17 cs.CL
TART: An Open-Source Tool-Augmented Framework for Explainable Table-based Reasoning
National University of Singapore(新加坡国立大学);University of Arizona(亚利桑那大学);Nanyang Technology University(南洋理工大学);MBZUAI
提出工具增强推理框架TART,通过集成表格格式化器、工具制造器和解释生成器,结合TOOLTAB数据集,显著提升了LLMs在表格问答与事实验证任务中的数据处理精度、推理清晰度及可解释性。
2025-07-10 cs.CL