大语言模型（LLMs）的发展日新月异，为表格理解任务带来了新的可能性。表格理解任务，如基于表格的问答和表格事实验证，要求从自由形式的文本和半结构化的表格数据中提取深层次的语义信息。与泛化的文本推理任务不同，表格数据的复杂性对推理任务提出了更高的要求。

目前，研究者们主要探索了两种技术路线来应用LLMs于表格理解任务。

直接使用预训练LLMs进行表格数据理解的技术路线主要有两种主流做法。第一种是基于文本推理的直接方式，将全量表格数据以一定分隔符的方式标记，作为Prompt的一部分输入LLMs，并结合Prompt技巧，直接对问题进行文本推理。第二种是基于符号推理的间接方式，将表格的结构信息（如表头、数据样例等）输入Prompt，根据任务需求指导LLMs编写一定的代码（如SQL、Python等），并调用对应的工具执行代码，得到想要的结果。

GPT4Table提出了一种全新的benchmark，并在此基础上验证了ChatGPT在各个子任务上的效果。研究团队提出了self-augmentation的Prompt技巧，进一步提升了理解效果：

他们将表格数据的结构理解能力分为两大类：

他们设计并对比了一系列Prompt方式进行文本推理进行表格数据理解任务的能力，得出了一些结论和技巧。