English(EN) Generalizing Numerical Reasoning in Table Data through Operation Sketches and Self-Supervised Learning

新框架TaNOS提升AI表格数值推理能力

作者 PulseAugur 编辑部 · [1 个来源] · 2026-07-01 04:00

研究人员开发了TaNOS，一个旨在提高AI模型在处理复杂、领域特定表格时的数值推理能力的新框架。该框架使用表头匿名化、操作草图作为结构线索，以及自监督预训练来构建程序-问题对。这种方法有助于模型在不同领域更好地泛化，减少对表面捷径的依赖。当应用于一个8B指令调优模型时，TaNOS在FinQA数据集上取得了显著的准确性和鲁棒性提升，性能优于GPT-5和Gemini 2.5 Pro等专有模型。 AI

影响提高AI模型在表格数据数值推理任务上的鲁棒性和泛化能力。

排序理由详细介绍AI数值推理新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Hanjun Cho, Gahyun Yoo, Hanseong Kim, Jay-Yoon Lee · 2026-07-01 04:00

Generalizing Numerical Reasoning in Table Data through Operation Sketches and Self-Supervised Learning

arXiv:2604.21495v2 Announce Type: replace-cross Abstract: Numerical reasoning over expert-domain tables often exhibits high in-domain accuracy but limited robustness to domain shift. Models trained with supervised fine-tuning (SFT) on specific datasets tend to rely on header-oper…

报道来源 [1]

Generalizing Numerical Reasoning in Table Data through Operation Sketches and Self-Supervised Learning

相关实体

相关话题