#queries
Generación de consultas, razonamiento sobre tablas y recuperación de datos estructurados para IA financiera
TableMaster alcanza 78,13% en WikiTQ con GPT-4o-mini, 13 puntos sobre Chain-of-Table, mediante table-of-focus más razonamiento adaptativo para agentes sobre libros Beancount.
Chain-of-Table logra 67.31% en WikiTQ frente a 61.48% del chain-of-thought solo texto, y lidera por 10.25 puntos en tablas de más de 4,000 tokens.
TableLlama supera a GPT-4 en anotación de tipos de columna (F1 94 vs 32), pero queda 33 puntos por detrás en razonamiento composicional de WikiTQ.
TAPAS responde preguntas sobre tablas seleccionando celdas, sin generar SQL. Sirve para consultas pequeñas del libro mayor Beancount pero se degrada a escala.
El diseño de tres agentes de MAC-SQL logra 59.59% de precisión de ejecución en BIRD, con el Refiner sumando +4.63 puntos, plantilla para Beancount.
DIN-SQL eleva la precisión de ejecución de GPT-4 del 67,4% al 85,3% en Spider mediante etapas de enlace de esquema y autocorrección—la misma descomposición se ajusta a BQL de Beancount.
En BIRD, GPT-4 alcanza un 54.89% de exactitud de ejecución con pistas de dominio y un 34.88% sin ellas—una brecha de 20 puntos que cualquier interfaz NL→BQL de Beancount debe cerrar.
GraphRAG de Microsoft publica ventajas de comprensión del 72 al 83% frente a RAG vectorial; una auditoría de 2025 las colapsa tras corregir el sesgo del juez—precaución para QA de libros mayores multidocumento.
