【NeurIPS2024】TableRAG：基于语言模型的百万标记表格理解

随着语言模型（LM）在处理表格数据能力方面的显著进步，尤其是通过程序辅助机制来操控和分析表格数据，其推理能力得到了显著提升。然而，这些方法通常需要将整个表格作为输入，这导致了由于位置偏差或上下文长度限制而产生的可扩展性问题。为应对这些挑战，我们引入了 TableRAG，这是一个专门设计用于基于LM的表格理解的检索增强生成（Retrieval-Augmented Generation, RAG）框架。TableRAG 利用查询扩展结合模式和单元检索，以在提供给语言模型之前精确定位关键信息。这种方法实现了更高效的数据编码和精准的检索，显著缩短了提示长度并减轻了信息损失。

为全面评估 TableRAG 在大规模应用中的有效性，我们基于 Arcade 和 BIRD-SQL 数据集开发了两个新的百万标记基准测试。我们的结果表明，TableRAG 的检索设计实现了最高的检索质量，并在大规模表格理解任务上达到了最新的技术水平。