Resumen: El razonamiento de la tabla, incluido el control de calidad tabular y la verificación de hechos, a menudo depende de datos anotados o aumento de datos complejos, limitando la flexibilidad y la generalización. LLMS, a pesar de su versatilidad, a menudo inferior en comparación con modelos supervisados simples. Para abordar estos problemas, presentamos PanelTR, un marco que utiliza a los científicos de agentes de LLM para un razonamiento de tabla robusto a través de un enfoque científico estructurado. El flujo de trabajo de Paneltr involucra a los científicos de agentes que realizan investigaciones individuales, participan en la auto revisión y participan en discusiones de revisión por pares colaborativas. Este proceso, impulsado por cinco personajes científicos, permite la transferencia de nivel semántico sin depender del aumento de datos o la optimización paramétrica. Los experimentos en cuatro puntos de referencia muestran que PanelTR supera a Vanilla LLMS y rivales supervisó los modelos, todo mientras permanece independiente de los datos de entrenamiento. Nuestros hallazgos indican que la metodología científica estructurada puede manejar efectivamente tareas complejas más allá del razonamiento de la tabla con una comprensión semántica flexible en un contexto de disparo cero.
Publicado Originalme en export.arxiv.org El 10 de agosto de 2025.
Ver Fuente Original
