本研究提出了LLM-FE框架，结合进化搜索与大语言模型，克服传统特征工程的局限性。实验结果表明，LLM-FE在分类和回归任务中显著提升了表格预测模型的性能。

该文综述表格数据与语言模型结合的研究，涵盖PTab、TransTab、CT-BERT等预训练框架在表格语义解析与分类中的应用，TABBIE通过损坏单元格检测优化表格预测，Tabula探索表格合成并压缩训练时间，并指出大模型在表格预测中会继承社会偏见。

该文汇总多项研究：提出通用表格预测模型UniPredict，在少样本学习中表现优异；用回归模型预测NLP实验分数；构建GLUE-X基准评估模型OOD鲁棒性；发现去偏见方法收益有限；提出批次遗憾评估大语言模型；研究自回归预训练与线性回归泛化；提出情感保留降维框架；并指出大语言模型受任务概率影响，低概率场景下准确性明显下降。