表格与结构化数据

核心矛盾

语言模型处理文本序列，而表格任务依赖行列关系、层级表头与数据类型。序列化不必然丢失结构：Markdown、HTML、JSON 等可以显式保留行列与表头关系；但粗糙转换、截断和缺少布局信息会增加理解难度，模型也未必能稳定完成精确计算。

核心方法

• 序列化 + 指令微调：把表格转成文本格式，再用大量表格任务数据微调。
• 把表格当作独立模态：像处理图像一样，为表格配一个专门的结构编码器，把编码得到的结构特征与序列化文本一起输入语言模型。

代表工作

• TableLlama（2023）：构建了涵盖多种真实表格任务的指令数据集 TableInstruct，在 Llama 2 上微调，得到面向各类表格任务的开源通用模型。
• TAMO（2025，论文《Table as a Modality for Large Language Models》）：把表格视为独立模态，用超图神经网络作为全局表格编码器，捕捉单元格之间的层级结构，再与语言模型结合。

现状

对可由 SQL 或表格运算表达的任务，可以让模型生成查询、交给工具执行并核对结果；复杂版面、合并单元格和语义歧义仍需要专门处理。模型、工具组合与结构编码器应在同一任务上比较，不能笼统断言表格方向落后于其他模态。

参考资料

• TableLlama
• TAMO：Table as a Modality for Large Language Models

相关专题

• 视觉与文档理解：文档中的表格常常以图像形式出现。
• 工具使用与智能体设计：通过工具调用处理结构化数据。
• 结构化生成：输出 SQL 等结构化结果。