浙大开源“最懂Excel的GPT”！首次将结构化数据作为独立模态训练，刷榜提升40百分点

　　大模型理解复杂表格，能力再次飞升了!

　　不仅能在不规则表格中精准找到相关信息，还能直接进行计算。

　　比如提问:

　　如果2022年出口总额的人民币计价比实际数值少了10%，请计算新的出口总额并与实际数据比较。

　　普通的大模型要么找不到正确的单元格信息，要么会计算错误。

　　而最新模型给出了正确回答:

　　实际出口总额为121324327.3663万元，减少10%后的出口总额为109191894.62967001万元。

　　这就是由LeCun高徒、浙江大学博导赵俊博领衔打造的TableGPT2。

　　它首次将结构化数据作为独立模态进行训练，这意味着大模型将不再依赖长上下文窗口，而是直接理解数据库、Excel、数仓中的数据，进而搞定SQL、分析、增删改查等相关任务。

　　要知道，结构化数据已是无处不在，从BI(商业智能)到当下爆火的具身智能，大模型想要被更充分精准应用于这些领域，就不能再单纯以“文科生”的形式去学习。

　　由此赵俊博等人耗时1年带来了更强大的TableGPT2。

　　在23个基准测试中，TableGPT2都表现优异，平均性能提高35.20%(7B模型)和49.32%(72B模型)。

　　目前团队已将两个版本的模型、一个Agent工作流以及RealTabBench中的一个子集开源。

　　关键在表格编码器

　　在TableGPT2之前，业界几乎没有人尝试将结构化数据作为独立模态。这主要有两方面原因——

　　第一，数据库中表格的空间关系存在特殊性。比如在图像视频上任意交换像素或者词的token，都会改变数据的本质，这说明两种模态之间具备空间依赖关系。但是在数据库的表格中，随机交换2行或2列数据，表格本身并不会变化。目前我们缺乏工具和手段去应对结构化数据这种特点。

　　第二，结构化数据存在异质性。比如在CV领域，RGB是很客观的表达，红色就是红色，蓝色就是蓝色，自然语言也是一样。但是在结构化数据中，同样一个表格字段下面的标记，在不同数据库里的意义可能截然不同。比如都是“1，2，3”，不同图表中表示的内容可能完全不同。所以这种“异质性”要求大模型对整体的库、表和字段都有理解，才能给出实际意义。这部分的对齐和传统LLM对齐不太一样。

　　不过这些问题也不是完全不能解决。

　　赵俊博介绍，针对表格数据，如果掩码掉一个“子表”的一些单元格，加上字段、数据库的信息辅助，是可以才出来掩码信息的内容。这意味着尽管结构化数据的空间关系比较弱，但是本身还是有分布可以去学习的。

　　由此，研究团队提出了TableGPT2工作。

　　它基于Qwen2.5系列模型，使用超过860亿token进行预训练，给大模型喂入了超过59.38万张表和236万高质量的查询-表-输出样本，并创新性加入了一个表格编码器，专门用于读取和解释表格数据。

　　模型主要框架包括以下几个部分:

　　表格编码器

　　LLM解码器

　　持续预训练

　　监督微调

　　Agent工作流

　　表格编码器支持输入整个表格，生成每列的紧凑嵌入。

　　采用双维注意力机制，无需位置嵌入，同时进行分层特征提取，确保行和列的关系被有效捕捉。

　　再使用列对比方法，鼓励模型学习有意义的、结构感知的语义表示。

　　具体实现上，通过Q-former样式适配器对齐嵌入和文本输入，引入可学习的查询。

　　使用特殊标记(如”“和”“)区分表格特征与文本，这样模型可以同时处理两种模态。

　　应用联合指令微调来增强文本信息、列嵌入和模式单元数据之间的对齐，提高模型对表格数据的理解和解释能力。

　　值得一提的是，这个表格编码器可以单独使用。作者团队透露，后续还将发表相关论文。

　　LLM解码器则基于Qwen-2.5模型，用于自然语言生成。

　　具体训练部分，预训练阶段首先针对模型的编码和推理能力进行加强。80%的预训练数据是有优质注释的代码，这和DeepSeek-v2的方法一致，以确保强大的编码能力。

　　同时还融入了大量推理数据和特定领域知识(比如金融、制造、生物等)，以增强推理能力。

　　在数据处理层面，采用两级过滤策略。

　　文档层面将数据标记为54个不同类别，token层面利用RHO-1来微调高质量token。

　　预训练部分的数据由86B个token组成。

　　进行监督式微调主要是为了提高模型在BI特定任务中的表现。

　　作者构建了一个包含236万条样本的数据集，主要覆盖多轮对话、复杂推理、工具使用和高度特定的业务查询场景，包含代码生成、数据可视化、统计测试和预测建模等表格任务。

　　通过模糊化字段引用、匿名化字段名等方法增强模型在处理复杂任务时的鲁棒性。

　　最后来看Agent框架。

　　该框架由运行时prompt、代码沙箱和agent评估模块共同增强agent的能力和可靠性。

　　具体工作流如下。首先通过prompt模块处理输入查询，经过检索增强处理后将查询输入到主模型中。然后TableGPT2与VLM协作，生成工具调用、代码或其他相关操作。利用智能体的反思能力，观察中间结果，判断是否需要迭代。最终得到输出。

　　部分基准下超越GPT-4o

　　实验阶段，作者将TableGPT2与其他大模型进行性能对比。

　　对比对象主要分为两类。

　　第一类为主流开源大模型，包括DeepSeek-Coder-V2-Lite-16B、YiCoder-9B-Chat、Qwen2.5-Coder-7B-Instruct和Qwen2.5-7B-Instruct。

　　第二类为针对表格相关任务进行微调或专门开发的模型。包括TableLLMs和CodeLlama-13B。

　　实验主要评估模型的6方面任务:表格理解、问答、事实论证、表格到文本、自然语言到SQL、整体评估。

　　在不同benchmark上，各个模型表现如下。TableGPT2显著优于绝大部分其他模型，并在一些基准上超越GPT-4o。

　　结果显示，TableGPT2的7B模型和72B模型的平均准确率分别提高了35.20%和49.32%。

　　此外，考虑到当下benchmark中针对表格异形问题、匿名问题或者治理较差的情况兼顾不佳，而实际落地中90%以上case都会出现类似情况。

　　作者还构建了一个新的benchmark——RealTabBench。它更加关注实际应用中真实出现的问题。

　　结果显示在RealTabBench上，TableGPT2表现也是最好。

　　另外，TableGPT2不会导致基座模型通用能力下降。

　　LeCun高徒“砸锅卖铁”开发

　　该研究来自浙江大学计算机与科学技术学院计算创新研究所。

　　由助理教授、博士生导师赵俊博领衔。

　　赵俊博于2019年获得纽约大学计算机专业博士学位，师从图灵奖得主、Meta首席AI科学家、纽约大学教授Yann LeCun。

　　他曾在Meta(原Facebook)人工智能实验室(Facebook AI Research)任研究员，期间深度参与了深度学习主流框架PyTorch和向量数据库Faiss的开发，并曾参与了内部通用对话机器人项目的前沿研究，该工作被视为大模型方向的早期产品化工作之一。

　　曾于2015年供职于英伟达半年时间，联合主持开发了全球首个端到端的自动驾驶解决方案，该工作由英伟达创始人Jensen Huang在次年的GTC 大会上做隆重介绍。

　　截至目前论文总被引数已超过20000次。

　　去年，赵俊博主持研发了TableGPT。

　　这是全球首款对接关系数据库和数据仓的大模型产品。

　　2024年，团队又继续“砸锅卖铁”，给TableGPT升级了V2版本。

　　作为高校团队，开发一个大模型意味着算力上要砸钱、数据收集工程优化上要出人，这中间有非常多的坑，需要消耗巨大人力财力。

　　而且TableGPT2的开发还有着诸多难点。

　　首先在技术上，构建一个在table上单独模态的编码器很难弄。它独有的复杂结构和空间特点，以及字段语义信息对齐等，都有考验。

　　其次在数据方面。结构化数据怎么收集、清洗?标签体系怎么定制?如何把合成数据和人工数据合并?怎么做到成本可控，都是问题。

　　以及监督微调部分，不光需要输入输出样本对，而且需要收集表，专业领域的数据表还需要专业人士进行标注……

　　不过为啥还是要做呢?

　　因为他们看到了大模型理解结构化数据背后更广阔的应用前景。

　　赵俊博向量子位介绍，作为高校团队，他们现在的工作更多是为了“趟路”。

　　做结构化这件事，我们不会停留在Excel或者数据库上面，下一步技术发展肯定是往硬件和具身智能领域上走。

　　灵巧手的触觉信息，还有具身智能领域的视觉、听觉等，广义来说都属于结构化数据，我们还想往这个方向再往前一步。

　　与此同时，TableGPT2也会在产业落地上试水，希望能给从业者提供更好用的底座模型。

　　目前，团队已经开源了这项工作的多个成果，后续也会发布表格编码器的相关研究，感兴趣的童鞋可以进一步了解~