用单步 LLM 流水线生成替代表格问答中数据准备流水线的多步组装

表格问答（TQA）旨在回答基于结构化表格的自然语言问题。现有基于算子的最先进方法通过多步方式生成表格操作流水线，但依赖多次 LLM 调用，导致延迟和成本过高。本文提出 Operation-R1，这是首个利用带有可验证奖励的新型强化学习变体训练轻量级 LLM 的框架，能在单次推理中生成高质量的数据准备流水线。该方法引入自监督奖励机制获取细粒度监督信号，并提出方差感知组重采样以缓解训练不稳定。此外，开发了操作合并与自适应回滚两种机制以增强鲁棒性。实验表明，该方法在显著降低成本的同时，准确率优于多步基线。