使用开源语言模型，我们提出了一种基于推理和摘要的分解问题和回答的多跳表 - 文本问答的 TTQA-RS 模型，它在现有的 HybridQA 和 OTT-QA 数据集上的表格 - 文本 QA 任务中表现出色，同时与基于训练的最先进模型相当，展示了基于提示的方法利用开源 LLMs 的潜力，此外，通过使用 GPT-4 与 LLaMA3-70B，我们的模型在多跳表 - 文本 QA 的基于提示的方法上实现了最先进的性能。

Jun, 2024

HybridQA 是一个基于异构信息的新的大规模问答数据集，通过对表格和文本信息的聚合完成问答，结果表明使用异构信息的混合模型可以获得高于基准模型的精确度。

Apr, 2020

通过提出混合提示策略和检索思路以进行文本表格问答，我们的方法通过上下文学习和以连贯思路引导模型，在少样本情况下，相对于完全监督的最先进方法，在 MultiHiertt 数据集上实现了卓越的性能。

Sep, 2023

通过多跳式少样本开放式丰富表格问答（MFORT-QA）方法，利用大型语言模型、少样本学习和多跳式推理思路，从表格数据中提取信息并显著改善抽取式表格问答方法的准确性。

Mar, 2024

该论文提出了一种名为 TAG-QA 的广义三阶段方法，通过表格到图的转换、外部知识检索和表格 - 文本融合来解决生成型 TableQA 中推断长篇自由格式答案的挑战。实验显示，TAG-QA 在 BLEU-4 和 PARENT F-score 指标上优于多个最先进的基准模型。

Sep, 2023

我们提出了 T-RAG，一个端到端的表格问答（Table QA）模型，其中一个非参数密集向量索引与 BART 共同微调，通过一个统一的流程搜索表格语料库来直接定位正确答案，并将其应用到最近的开放域表格 QA 基准测试中，并证明微调后的 T-RAG 模型在端到端表格 QA 和表格检索任务中均能够取得最先进的性能。

Mar, 2022

该论文研究了开放式问答系统（QA）在同时检索结构化表格和非结构化文本数据时的困难之处，并提出了两种新技术以提高检索准确率，让模型的精确匹配得分提高至 27% 以上，这为该领域的未来研究提供了重要的参考价值。

Oct, 2020

本研究提出了一种名为 FE2H 的简单而有效的多跳问答（QA）框架，其采用迭代式文档选择和渐进式学习策略，分阶段进行文档选择和阅读，并在单跳 QA 数据集中训练 QA 读取器，成功应用于 HotpotQA 数据集，并在百分之六十七点一的准确率上超过现有的其他 QA 方法。

May, 2022

本文介绍了一个名为 “MultiModalQA (MMQA)” 的数据集，该数据集需要通过对文本、表格和图像的联合推理来回答问题。作者还创建了一个新框架来生成复杂的多模态问题，并演示了多模态多跳方法在解决这一任务中的必要性。

Apr, 2021

本文提出了一个新的 QA 数据集 TAT-QA，并提出了一个新的 QA 模型 TAGOP，该模型可以同时推理表格和文本的含义，但该模型的 F1 值达到了 58.0％，距离专家水平还有较大的差距（90.8％），本文提供的 TAT-QA 可以作为处理混合形式数据的 QA 模型的基准。

May, 2021