TabScope：表格问答的问题自适应范围选择

大语言模型 (LLM) 在表格问答方面表现出很强的性能，但其准确性往往随着表格大小的增加而降低。我们发现，这种降级在不同问题类型之间并不统一。本地化敏感问题尤其受到不相关表格内容的影响，而需要更广泛证据的问题仍然可能受益于全表推理。基于这一观察，我们提出了一个问题自适应框架，可以在局部推理和全表推理之间动态选择。该框架通过操作感知表分解构建特定于问题的子表，并使用预测的问题类型来确定适当的推理模式。我们进一步引入了用于评估证据选择的白银参考子表，并构建了基于现实世界长表的基准 SLQA。 WikiTQ 和 SLQA 上的实验表明，本地化对于查找和本地推理问题特别有效，而本地化和全表推理之间的自适应选择可以实现最佳的整体性能。这些结果表明，长表 QA 不仅需要决定如何本地化，还需要决定何时本地化。我们的代码和数据集将在论文发表后提供。