TabScope：表格问答中的问题自适应范围选择

# TabScope：面向表格问答的问答自适应作用域选择  
来源：https://arxiv.org/html/2609.03395  
作者：Yuxiang Wang, Junhao Gan, Jianzhong Qi  
所属机构：墨尔本大学  
邮箱：[[email protected]](mailto:) 、\{junhao.gan, jianzhong.qi\}@unimelb.edu.au  

#### 摘要  
大语言模型（LLMs）在表格问答任务中表现出色，但随着表格规模增大，其准确率往往会下降。我们发现这种性能下降在不同问题类型上并不均匀：局部敏感问题尤其受到无关表格内容的影响，而需要更广泛证据的问题仍可从全表推理中受益。基于这一观察，我们提出一个问答自适应框架，动态选择局部推理或全表推理。该框架通过操作感知的表格分解构建问题特定的子表，并利用预测的问题类型确定合适的推理模式。我们进一步引入用于评估证据选择的银标准参考子表，并构建了基于真实长表格的基准测试SLQA。在WikiTQ和SLQA上的实验表明，局部化对查找类和局部推理问题特别有效，而在局部与全表推理间自适应选择能取得最佳整体性能。这些结果凸显了长表格问答不仅需要决定如何局部化，更需明确何时局部化。论文发表后将开源代码和数据集。  

## 1 引言  
大语言模型（LLMs）在表格问答（TableQA）中展现出强大的推理能力，尤其在结合思维链（CoT）提示时效果显著（Wei et al., 2022; Chen, 2023）。然而，其性能仍对表格规模敏感：随着表格行数增加，LLMs难以从嘈杂输入中识别支持答案所需的关键行列，导致准确率下降（Ye et al., 2023; Liu et al., 2024）。我们的分析表明，这种性能下降因问题类型而异：当答案依赖于小范围的表格区域时，局部化特别有效；而对于需要广泛比较集合、完整聚合领域或多行分布信息的问题，保留全表可能更有益，因为分解可能移除必要上下文或引入检索误差。图1总结了这些发现：全表推理在大型表格上表现较差，而局部化的收益随问题类型和表格规模变化。这引出了本文的核心问题：*表格问答模型应在何时局部化表格？又应在何时基于全表上下文推理？*  

图1：使用GPT-5-mini作为基础模型，展示问答自适应表格作用域选择的动机。（a）全表问答在大型表格上表现下降。（b）局部化有助于需要紧凑区域的问题，而涉及多行或实体的问题更倾向于全表推理。小/中型表格对应WikiTQ，大型表格对应SLQA。  

我们将表格问答视为问答自适应推理问题，而非固定的分解流程，尤其针对长表格场景。我们提出TabScope框架，首先判定问题是更适合全表推理还是紧凑子表推理。当预期局部化有益时，TabScope使用带细化机制的操作感知分解器，在推理前选取相关行列；否则直接基于全表推理。该设计能在有益时利用紧凑表格区域，在必要时保留完整上下文。  

现有表格问答基准测试在证据定位研究方面存在两个局限：首先，WikiTableQuestions等数据集仅提供表格、问题和最终答案，未明确标注支撑子表，难以评估中间证据选择质量；其次，大多数基准测试（如Pasupat & Liang 2015; Chen et al. 2020; Wu et al. 2025）的表格较小，对长表格场景覆盖有限。我们通过构建用于评估分解质量的银标准参考子表解决第一个局限；针对第二个局限，我们开发自动流程从真实表格生成问答对，构建了长表格问答基准测试SLQA。本文主要贡献包括：  
- 构建银标准参考子表以直接评估分解质量，提出操作感知分解方法以提升证据选择效果。  
- 分析局部化适用条件，引入问答自适应框架以在局部与全表推理间动态选择。  
- 开发从真实表格自动生成验证问答对的流程，构建长表格问答基准测试SLQA。  

## 2 相关工作  
近期基于LLM的表格问答方法通过生成答案前的相关行列缩减、检索或转换来应对大表格推理难题。我们首先回顾两类主流定位方法：*语义证据选择*与*操作感知表格缩减*；随后综述现有表格问答基准测试与证据标注，为银标准子表构建和长表格基准测试提供背景。  

##### 证据定位与检索  
一类工作在推理前选取包含相关证据的子表。DATER（Ye et al., 2023）使用LLMs分解表格和问题，选取相关行列用于下游推理；H-STAR（Abhyankar et al., 2025）在混合符号-文本框架内提取相关表格区域。其他研究采用检索增强方法：TableRAG（Chen et al., 2024）检索相关模式与单元信息以理解大规模表格；T-RAG（Pan et al., 2022）结合密集表格检索与生成用于开放域表格问答；GTR（Zou et al., 2025）基于图结构进行层级检索以实现跨表格问答。这些方法主要改进证据检索或选择方式，而我们的方法使证据选择具备操作感知特性，并将局部化视为问题相关的决策。  

##### 程序引导的表格分解  
另一类方向通过显式操作或可执行程序获取中间表格。Chain-of-Table（Wang et al., 2024）在推理过程中迭代变换表格，将中间表格视为演化推理状态；Table-Critic（Yu et al., 2025）在生成答案前迭代评估并优化中间表格；ReAcTable（Zhang et al., 2024）结合LLM推理与SQL、Python执行器等工具逐步处理表格数据；TabSQLify（Nahid & Rafiei, 2024）通过SQL查询构建问题相关子表；Plan-of-SQLs（Nguyen et al., 2025）执行一系列SQL步骤以提供可解释的中间推理轨迹。相比之下，TabScope无需完整操作链或可执行程序，仅在局部推理有益时应用分解。  

##### 证据监督与长表格评估  
大多数表格问答基准测试（如WikiTableQuestions）提供表格、问题和最终答案，但未明确标注支撑行列（Pasupat & Liang, 2015），这限制了对中间子表的直接评估。此外，许多常用基准测试的表格较小（通常少于4K表格令牌），不利于评估长表格推理（Chen et al., 2020; Wu et al., 2025; Cheng et al., 2022）。我们通过构建银标准参考子表以评估分解质量，并引入基于真实长表格的基准测试SLQA来填补这些空白。  

## 3 方法  
### 3.1 问题形式化  
给定表格$T$、问题$q$和参考答案$a$，表格问答的目标是预测匹配$a$的答案$\hat{a}$。我们将表格表示为$T=(H,R)$，其中$H=\{h_1,...,h_m\}$为列头，$R=\{r_1,...,r_n\}$为表格行。对于每个问题，模型可基于全表$T$推理，或将其缩减为问题特定的子表$T'$。我们定义子表为$T'=T[R',C']$，其中$R'⊆R$和$C'⊆H$为选定的行与列。我们的目标并非总是最小化表格，而是为每个问题选择合适的作用域。  

### 3.2 TabScope框架概述  
我们提出TabScope问答自适应框架，在生成答案前选择合适的作用域。如图2所示，TabScope包含三个组件：（i）基于LLM的作用域选择器预测问题类型，并采用固定策略选择局部推理或全表推理；（ii）当选择局部化时，操作感知分解器检索所需行列，并将其细化为问题特定的子表；（iii）答案模型基于选定输入（细化子表或原始全表）生成答案。  

### 3.3 问答自适应作用域选择  
TabScope旨在判定每个问题是否适用局部化。作用域选择器包含基于LLM的问题类型分类器$C_θ$和固定类型-作用域策略$π$。给定问题$q$和表格$T$，分类器预测预定义的问题类型$\hat{τ}$。策略根据预测类型和表格规模区间选择推理模式：  

$$\hat{τ}=C_θ(q,T)$$  
$$z=π(\hat{τ},s(T)),\quad z∈\{\text{local},\text{full}\}$$  

其中$s(T)$表示表格规模区间。若$z=\text{local}$，TabScope在生成答案前构建问题特定子表；否则绕过分解，直接基于原始表格推理。我们通过在验证集上离线分析确定策略$π$：对每种问题类型，比较局部推理与全表推理性能，并分配更优模式。当偏好模式在大型表格上改变时，我们额外考虑表格规模。推理时，LLM仅预测$\hat{τ}$，固定策略决定最终作用域。分类提示见附录C.4，用于定义$π$的类型分析见附录B。  

### 3.4 操作感知表格分解  
当作用域选择器选择局部推理时，TabScope通过操作感知分解构建问题特定子表。目标是检索问题推理过程所需的行列，而非仅依赖问题与表格内容的词汇重叠。分解包含三个步骤：操作感知检索、证据聚合与子表细化。所有使用的提示见附录C。  

##### 操作感知检索  
分解器首先识别问题所需的操作（如查找、过滤、比较或计数），该操作决定需检索的行列。例如，对于问题“多少支澳大利亚球队得分超过10？”，分解器应检索国家为澳大利亚且得分大于10的行，以及国家、得分和球队标识符等列。尽管最终答案仅为计数，子表必须保留验证过滤操作所需的证据。这表明分解应由操作而非仅词汇重叠引导。  

##### 证据聚合  
单次LLM检索可能不稳定，因生成结果可能跨样本变化，可能遗漏必要证据或包含弱相关行列。为使检索更稳健，我们对同一问题采样$K$次检索输出（默认$K=4$），分别聚合行检索与列检索结果。每次检索输出视为候选$c$，包含选定行集或列集。每个候选分配可靠性分数$s(c)$：若LLM提供生成置信度，则从候选平均令牌对数概率计算$s(c)$；否则设$s(c)=0$，此时权重$w(g)$退化为基于频率的投票。选择相同归一化行集或列集的候选合并为候选组$g$，每组计算支持权重：  

$$w(g)=\sum_{c∈g}\exp(s(c))$$  

$w(g)$衡量检索样本对组$g$的支持强度，$\exp(s(c))$将候选分数转换为正投票权重。因此，当相同证据集多次出现或其候选可靠性较高时，组获得更高支持度。聚合后，检索样本返回的每个独立行集形成行组，独立列集形成列组。返回频率高或置信度高的组获得更大权重。例如，若四个样本中三个检索相同行，包含这些行的候选子表应获得更强支持。为构建候选子表，我们首先按支持权重对行组和列组排序，逐步合并高排名组以形成候选行集$R'$和列集$C'$，移除重复候选。随后枚举行列组合，为每个候选子表$T[R',C']$评分。