摘要
大型语言模型在自然语言处理任务表现优异，但在表格问答（TQA）中仍需提升，因其需精确单元格检索与多步结构化推理。现有工作多依赖微调，缺乏对导航与推导过程的可控性。本文提出无需训练的 TQA 方法，包含两种结构化提示框架：TableGrid 导航（TGN）通过三模块循环迭代定位证据；渐进式推理提示（PIP）强制列识别以约束行选择。实验表明，TGN 在 TableBench 上超越最强基线 3.8 分，PIP 在 FeTaQa 上达到最先进水平。此外，这些框架可作为监督模板微调小模型，在资源受限场景下缩小与大模型的差距。
AI 推荐理由
论文核心提出结构化推理框架，解决表格问答中的多步逻辑推理与证据定位问题。
研究机构
Vision Intelligence Lab, IIIT Allahabad, Prayagraj, India
CV-HCI Lab, Karlsruhe Institute of Technology, Karlsruhe, Germany
论文信息