通过 TableGrid 导航和渐进式推理提示实现高效的表 QA

大语言模型 (LLM) 在 NLP 任务上显示出了有希望的结果，然而，它们在表格数据上的表现仍然需要研究关注，因为表格问答 (TQA) 需要精确的单元格检索和多步骤结构化推理。现有工作通过 微调 或针对特定任务的表格数据训练 LLM 来改进 TQA，但通常缺乏对模型如何导航表和导出答案的可验证控制。在这项工作中，我们提出了一种具有两个结构化提示框架的 无需训练 TQA 方法：TableGrid 导航（TGN），它通过三模块循环迭代地导航行和列，以定位证据并完善答案；以及渐进推理提示（PIP），它根据查询强制执行列识别，以实现显式渐进行选择约束。我们在 TableBench 和 FeTaQa 数据集上针对 6 个基线评估了 17 个 LLM。在 TableBench 上，TGN 比最强基线提高了 3.8 个点，在 FeTaQa 上，PIP 比 ReAct 和 Chain-of-Thought 实现了 SOTA 性能。除了推理时间增益之外，PIP 和 TGN 还可以用作监督模板来微调小型模型，在资源受限的环境中缩小与更大架构的性能差距，为 TQA 提供多功能且经济高效的解决方案。