table-understanding

EdgeLM是一篇研究论文，提出了一种检索框架，选择边缘演示——即决策边界附近的相关示例——以提高LLM在表格理解与数据整理任务上的表现。

本文介绍了CoCoEvolve，一种自监督方法，通过在表示之间强制实现一一对应的一致性，提升跨图表、表格和代码的跨表示理解，并具有训练时和测试时的协同演化目标。

Presents TELLER, a dual-path iterative preference optimization approach for table entity linking, with direct-answer and reasoning paths that improve accuracy on TableInstruct and MammoTab V2 benchmarks.

HakushoBench是一个基于政府白皮书构建的日语图表和表格VQA基准，用于评估视觉语言模型对复杂视觉数据的理解能力。该基准对开源权重模型具有挑战性，最佳准确率仅为58.6%，与专有模型之间相差34.9个百分点。

WildTableBench 提出了首个针对真实世界表格图像的问答应答基准，揭示了现有多模态基础模型在结构感知和数值推理方面存在显著困难，仅有1个模型准确率超过50%。

TabularMath 引入了一个基准和 AutoT2T 框架来评估 LLM 对表格数据的数学推理能力，揭示表格复杂性、数据质量和模态对模型性能的重大影响。该研究通过系统地评估模型对真实场景中不完整或不一致表格信息的鲁棒性，填补了 LLM 评估中的空白。