Tessar Largest

🚀 Tessar (Large-Sized Model)

Tessarは、SVECTORによって開発された高度な表推論モデルです。画期的な研究を基に構築され、ニューラル表理解の限界を拡大しています。

📚 ドキュメント

モデルの説明

Tessar（Textual SQL Analysis and Reasoning）は、表ベースの質問応答に特化した高度なニューラルモデルです。Tessarは革新的なニューラルSQLエグゼキュータを実装しており、複雑な表形式のデータを驚くほど正確に解釈し、推論することができます。

このモデルはBARTアーキテクチャを使用して構築されており、双方向エンコーダと自己回帰デコーダを備えています。この設計により、Tessarは表形式のデータ内の複雑な文脈関係を捉え、正確で文脈に沿った回答を生成することができます。

✨ 主な機能

• 高度なニューラルSQL実行機能
• 複雑な表形式の質問応答における最先端の性能
• 微妙な多段階クエリの堅牢な処理
• WikiTableQuestionsデータセットで微調整

🚀 クイックスタート

想定される用途

Tessarは、様々なドメインの複雑な表ベースの質問を解決するのに特に強力です。以下は、このモデルが効果的に対処できる質問の例です。

使い方

以下は、Transformersライブラリを使用してTessarを使用する包括的な例です。

from transformers import TessarTokenizer, BartForConditionalGeneration
import pandas as pd

# Load Tessar model and tokenizer
tokenizer = TessarTokenizer.from_pretrained("SVECTOR-CORPORATION/Tessar-largest")
model = BartForConditionalGeneration.from_pretrained("SVECTOR-CORPORATION/Tessar-largest")

# Prepare sample table data
data = {
    "year": [1896, 1900, 1904, 2004, 2008, 2012],
    "city": ["athens", "paris", "st. louis", "athens", "beijing", "london"]
}
table = pd.DataFrame.from_dict(data)

# Ask a specific query
query = "In which year did beijing host the Olympic Games?"
encoding = tokenizer(table=table, query=query, return_tensors="pt")

# Generate answer
outputs = model.generate(**encoding)

# Decode and print result
print(tokenizer.batch_decode(outputs, skip_special_tokens=True))
# Expected output: [' 2008.0']

評価

包括的な評価スクリプトとベンチマークについては、SVECTORのドキュメントと研究リポジトリを参照してください。

性能のハイライト

• 複雑な表推論タスクにおける卓越した精度
• 多段階および文脈依存のクエリの堅牢な処理
• WikiTableQuestionsデータセットにおける最先端の性能

引用

もしあなたが研究でTessarを使用する場合は、SVECTORの実装を引用してください。

@inproceedings{svector2025tessar,
    title={{Tessar}: Advanced Neural Table Reasoning},
    author={{SVECTOR Team}},
    year={2025},
    institution={SVECTOR Research}
}

連絡先とサポート

詳細、サポート、または協力の機会については、research@svector.co.inまでSVECTORの研究チームに連絡してください。

📄 ライセンス

このモデルはMITライセンスの下で公開されています。使用前にライセンス条項を確認してください。