本文介绍了TAT-DQA数据集，包含来自财务报告的半结构化表格和非结构化文本，以及16558个问答对。作者提出的MHST模型能够有效处理多模态信息，回答不同问题。尽管该模型优于基线方法，但仍未达到专家水平，旨在推动视觉与语言融合的研究。