TableReasoner: Advancing Table Reasoning Framework with Large Language Models

文章主要内容和创新点

主要内容

本文提出了一个基于大语言模型（LLM）和编程的表格推理框架TableReasoner，用于解决表格问答（TQA）任务。TQA任务因真实世界表格数据的大尺寸、列语义不完整、实体歧义等特点面临挑战。TableReasoner通过以下核心设计应对这些问题：

1. 表格Schema表示：采用结合结构和语义的表格schema（而非传统的CSV/Markdown格式），实现对大型表格的整体理解和高效处理；
2. 多步Schema链接：通过“解析-链接-细化”流程，从全局schema中提取与查询相关的聚焦schema，减少歧义并缓解模型幻觉；
3. 迭代思维架构：借鉴ReAct范式，将推理流程整合到“思考-行动-观察”循环中，支持思考、推理和反思的增量迭代；
4. 编程辅助推理：利用Program-of-Thoughts（PoT）生成代码并执行，减少数值推理中的幻觉；
5. 性能验证：该框架在SemEval-2025 Task 8的两个子任务（基于DataBench和DataBench Lite）中均获第一名，且在不同规模表格、不同类型问题上表现稳定。

创新点

1. 表格Schema表示：通过结构（数据类型、统计属性）和语义（列描述）结合的schema建模表格，解决了传统格式处理大型表