Large Language Model for Table Processing: A Survey

本文是LLM系列文章，针对《Large Language Model for Table Processing: A Survey》的翻译。

摘要

表通常是二维的，结构化以存储大量数据，在数据库查询、电子表格计算和从web表生成报告等日常活动中至关重要。使用大型语言模型（LLM）自动化这些以表为中心的任务提供了显著的公共利益，引起了学术界和工业界的兴趣。这项调查对表格任务进行了广泛的概述，不仅包括表格问答（表格QA）和事实验证等传统领域，还包括表格操作和高级表格数据分析等新强调的方面。此外，它超越了早期的预训练和微调小语言模型的策略，还包括了LLM使用的最新范式。这里的重点是LLM领域内的指令调优、提示和基于代理的方法。最后，我们强调了几个挑战，从私有部署和高效推理到开发用于表操作和高级数据分析的广泛基准。

1 引言

2 表任务和基准

3 表LLM的分类

4 表格LLM训练

5 提示LLM用于表格任务

6 LLM支持的表代理

7 结论和讨论

本文回顾了表处理任务、基准测试和基于LLM的方法。尽管基于LLM的方法有效地解决了一些表任务，但仍有一些挑战没有得到解决。
使用代理的指令调优可能是私有部署的潜在解决方案。基于开源LLM的基础模型的指令调优提供了一定的优势。表GPT和Lemur等工作展示了指令调优的灵活性，在各种下游任务上取得了值得称赞的结果。这些模型可以私下部署，防止敏感