通过多代理多格式推理实现强大的现实世界电子表格理解

电子表格是企业报告、审计和科学数据管理等现实应用程序的核心。尽管它们无处不在，但现有的基于 大语言模型 的方法通常将表格视为纯文本，忽略了关键的布局提示和视觉语义。此外，现实世界的电子表格通常规模庞大，超出了 LLM 可以有效处理的输入长度。为了应对这些挑战，我们提出了 SpreadsheetAgent，这是一种用于电子表格理解的两阶段多代理框架，采用逐步阅读和推理范式。 SpreadsheetAgent 不是一次性加载整个电子表格，而是通过多种方式增量解释本地化区域，包括代码执行结果、图像和 LaTeX 表。该方法首先构建结构草图和行/列摘要，然后在求解阶段对此中间表示执行任务驱动的推理。为了进一步提高可靠性，我们设计了一个验证模块，通过有针对性的检查来验证提取的结构，减少错误传播并确保下游推理的可靠输入。对两个电子表格数据集的广泛实验证明了我们方法的有效性。借助 GPT-OSS-120B，SpreadsheetAgent 在 Spreadsheet Bench 上实现了 38.16%，比 ChatGPT Agent 基线 (35.27%) 高出 2.89 个绝对点。这些结果凸显了 SpreadsheetAgent 在现实应用程序中推进强大且可扩展的电子表格理解的潜力。代码可在 https://github.com/renhouxing/SpreadsheetAgent.git 获取。