TableMaster: LLM을 활용한 표 이해를 위한 적응형 추론
TableMaster는 GPT-4o-mini로 WikiTQ에서 78.13%를 달성해 Chain-of-Table보다 13점 앞서며, Beancount 장부 위 에이전트를 위한 table-of-focus와 적응형 추론을 사용합니다.
#queries
쿼리
금융 AI를 위한 쿼리 생성, 테이블 추론 및 구조화 데이터 검색
Chain-of-Table: LLM 추론 체인에서의 테이블 진화
Chain-of-Table은 WikiTQ에서 67.31%를 기록해 텍스트 전용 chain-of-thought의 61.48%를 앞서며, 4,000 토큰 초과 테이블에서 10.25점 차로 앞섭니다.
TableLlama: Can a 7B Open Model Match GPT-4 on Table Understanding?
TableLlama beats GPT-4 on column type annotation (F1 94 vs 32) but trails by 33 points on WikiTQ compositional reasoning.
TAPAS: SQL 없는 약지도 학습 기반 테이블 질의응답과 Beancount에 주는 의미
TAPAS는 SQL을 생성하지 않고 셀을 선택해 테이블 질문에 답합니다. 소규모 Beancount 장부 쿼리에는 맞지만 규모가 커지면 무너집니다.
MAC-SQL: 다중 에이전트 협업 텍스트-SQL(Text-to-SQL)
MAC-SQL의 3-에이전트 설계는 BIRD에서 59.59% 실행 정확도를 달성하고 Refiner가 +4.63점을 더합니다. Beancount 장부 쿼리 생성의 템플릿입니다.
DIN-SQL: GPT-4, Spider에서 67.4%→85.3% EX로 점프
DIN-SQL이 스키마 링크 및 자체 수정 단계를 통해 GPT-4의 Spider 실행 정확도를 67.4%에서 85.3%로 끌어올립니다—동일한 분해 방식이 Beancount BQL에도 적용됩니다.
BIRD: GPT-4는 실제 데이터베이스에서 단 54.89%의 EX 정확도 달성
BIRD에서 GPT-4는 도메인 힌트가 있으면 54.89%의 실행 정확도, 없으면 34.88%를 기록합니다—모든 Beancount NL→BQL 인터페이스가 극복해야 할 20포인트 격차입니다.
GraphRAG: LLM 판사 편향 수정 후 72–83% 승리 사라짐
마이크로소프트의 GraphRAG가 벡터 RAG 대비 72–83%의 의미 파악 승리를 기록했으나, 2025년 감사에서 판사 편향을 수정한 후 그 수치가 사라졌습니다—다중 문서 원장 QA에 대한 경고.