TART: 一个开源工具增强框架用于可解释的表格推理

大型语言模型在表格推理任务中表现出色，结合“思维链”提示时可在少样本情况下达到与SotA模型相当的效果。

通过将大型表格分解为小子表格和将复杂问题简化为简单子问题，提升了推理性能，首次超越人类在TabFact数据集上的表现。

提出了一种基于表格推理的蒸馏方法，显著提高了小型模型在科学表格文本生成任务上的性能。

使用TAP4LLM表格提供程序实现了有效的半结构化数据推理，增强了大型语言模型对多样化表格任务的理解。

研究揭示了表格结构变化对模型性能的影响，并提出了表格结构归一化的方法。

使用Chain-of-Table框架引导大型语言模型生成操作和更新表格，提升了预测结果的准确性。

分析了提升表格推理性能的主要技术，并提供了改进现有方法的研究方向。

TabSQLify方法通过文本转SQL生成将表格分解为相关子表，展现出与流行方法相当或更好的性能。

提出问题-指明框架以生成高质量的表格摘要，并验证了其在多个数据集上的有效性。

创建TableBench基准评估表格问答能力，发现当前模型在实际需求满足方面仍有提升空间。