本文综述了大型语言模型（LLMs）在表格任务中的应用，包括表格问答、数据分析和编辑。研究表明，通过注解指令训练模型能够有效提升性能，开发的TableLLM和TableLlama模型在处理表格数据方面表现优异，推动了相关研究进展。

本文综述了大型语言模型（LLMs）在表格任务中的应用，包括表格问答、数据分析和生成结构化文本。研究表明，结合“思维链”提示时，LLMs在少样本情况下表现优异，并提出了新方法以提升表格推理性能，展示了在医学诊断和数据合成等领域的潜力。

本文综述大语言模型在表格任务中的推理能力：结合思维链提示，少样本即可媲美先进模型；相关研究涵盖CARP框架、表格结构归一化、推理评估套件、隐式推理、合成数据集PrOntoQA、表格推理蒸馏、子表分解及Tab-CoT提示等，并介绍TAP4LLM表格提供程序增强结构化数据理解。

该研究提出了一种基于乐观策略优化的方法（OPPO），针对奖励稀少的领域，考虑了总收益的不确定性并在此基础上对策略进行乐观评估，优化自主代理的学习效果，在表格任务上取得了优于现有方法的结果。

本文提出了一种新的表格调优范式，通过使用多样化的表格任务作为训练数据，继续训练/微调语言模型，以增强其理解表格和执行表格任务的能力。实验结果表明，这种方法可以提高语言模型在表格任务上的表现，并具有强大的泛化能力。