回复
LLM遇上表格：4类表示、5大任务、3大机会
1. 表格让大模型头疼？
文本是线性的，而表格是二维、结构多变、目的多样的——从严谨的数据库到多层嵌套的 Excel，再到 Wikipedia 的 Infobox。把 LLM 处理表格的“痛苦”总结为三点：
痛点 | 概况 |
任务单一 | 90% 的 Benchmark 都在考「检索+简单数学」，真正需要推理的很少 |
输入复杂就崩 | 长表、多表、层级表、跨文档表，人类 80+ 分，SOTA 模型 50 分不到 |
表示不统一 | 同一张表换个 JSON / HTML / Markdown，性能就能掉 5 个点 |
左侧用Text-To-Sql可解决，相比之下，右侧展示的是需要高级推理或涉及复杂输入的任务。
大模型表格处理任务的工作流
2. 先把“表”说清楚：四种输入表示法
把 LLM 能“吃进”的表格表示分成 4 大类（对应 Figure 4）：
表示方式 | 优点 | 缺点 | 典型 Benchmark |
Serialization 序列化 | 直接用文本，最简单 | 结构信息易丢失 | WTQ, TabFact |
Schema 只给表头+列类型 | 省 token | 细节全丢 | Spider, SEDE |
Image 表格截图 | 保留完整视觉结构 | 受分辨率限制 | VISTABNet |
Table Encoder 专用编码器 | 结构感知最强 | 需要额外预训练 | TableGPT2, TAPAS |
实验发现：同样一道题，把 Markdown 换成 LaTeX，EM 分数最多差 20%给了三种序列化示例：
3. 5大人任务全景：不止Text-to-SQL
整理了 3 大经典任务 + 2 个新兴方向，并给出所有 Benchmark 一览（Table 1~4）：
任务 | 输入 | 输出 | 热门数据集 |
Table QA 表问答 | 表(+文本)+问题 | 答案单元格 / 数字 / 自由文本 | WTQ, HiTab, MULTIHIERTT |
Table-to-Text 表到文本 | 表(+高亮区域) | 一段描述或摘要 | ToTTo, LogicNLG, QTSUMM |
Fact Verification 表事实核查 | 表+声明 | Supported / Refuted / NEI | TabFact, FEVEROUS |
Text-to-SQL 自然语言转 SQL | 问题+数据库 | SQL 查询 | Spider, BIRD, Spider2 |
Leaderboard Construction 排行榜自动构建 | 论文表格 | (任务, 数据集, 指标, 分数) 四元组 | AxCell, TeLin |
4. 三大发现：新研究机会？
4.1 任务复杂度
- 现有 Benchmark 大多是“把 SQL 翻译成自然语言”再让模型反推；
- 真正的诊断、预测、洞察类问题（图 3）几乎空白；
- Spider2首次引入意图级问题：用户说“给我一份每日关键销售报告”，模型得自己猜要查哪些字段。
4.2 输入复杂度：长表、多表、层级表 = 模型噩梦
- MULTIHIERTT：人 83% vs 模型 <50%；
- HiTab：层级多维表，模型同样翻车；
- 科学论文中的消融表 + 长文本，是未来绝佳试验田。
4.3 表示统一：换个格式就掉点
- 同一任务里，JSON ↔ Markdown ↔ LaTeX 之间没有统一规范；
- 未来可以搞“格式互译”任务，让模型见多识广。
https://arxiv.org/pdf/2508.00217
Tabular Data Understanding with LLMs: A Survey of Recent Advances and Challenges本文转载自PaperAgent
赞
收藏
回复
相关推荐
