Efficient Table QA via TableGrid Navigation and Progressive Inference Prompting
基于表格网格导航与渐进式推理提示的高效表格问答
🧭 表格问答提示工程
IIIT Allahabad · Karlsruhe Institute of Technology
提出两种无需训练的提示框架 TGN 和 PIP，结构化解耦表格导航与推理，并可蒸馏为小模型监督信号
📌 工作参考价值
- TGN 的三模块循环 将表格推理分解为行导航、列导航、答案精炼，可复用于电商商品表格问答、客服对比查询等场景，提高定位准确率和可解释性。
- PIP 的显式列约束 先强制识别相关列再过滤行，适用于结构化查询生成（如 Text2SQL），在推荐理由生成或属性抽取中可减少幻觉、提高检索精度。
- 低资源监督蒸馏 将 TGN/PIP 推理过程作为 fine-tuning 模板，在资源有限时让小模型逼近大模型效果，适合电商中大规模表格处理的成本控制。
- 免训练快速迭代 无需微调即可通过提示工程提升现有 LLM 的表格推理能力，适合业务快速验证和上线。
动机：表格问答要求 LLM 具备精确的单元格定位和多步推理能力，现有方法缺乏对导航过程的显式控制，容易产生幻觉或跳过步骤。
方法：提出两种结构化提示框架。TableGrid Navigation (TGN) 用三模块循环（行导航、列导航、答案精炼）迭代定位证据并优化答案；Progressive Inference Prompting (PIP) 则强制模型先识别相关列，再根据查询逐步约束行选择，形成显式的推理链。两者均无需训练，仅靠提示实现。
结果：在 TableBench 上，TGN 比最强基线提升 3.8 个点；在 FeTaQa 上，PIP 超越 ReAct 和 CoT 取得 SOTA。此外，这两种提示可作为监督模板微调小模型，显著缩小与大模型的效果差距，兼顾性能与成本。