Tessar Largest

🚀 泰薩爾（大型模型）

泰薩爾（Tessar）是由SVECTOR開發的先進表格推理模型，它基於開創性研究，突破了神經表格理解的界限，旨在高效解決基於表格的問答問題。

🚀 快速開始

泰薩爾（Textual SQL Analysis and Reasoning）是一款複雜的神經模型，專為在基於表格的問答中表現出色而設計。它實現了一種創新的神經SQL執行器，能夠以極高的精度解釋和推理複雜的表格數據。

該模型採用BART架構構建，具有雙向編碼器和自迴歸解碼器。這種設計使泰薩爾能夠捕捉表格數據內複雜的上下文關係，並生成準確、與上下文相關的答案。

✨ 主要特性

• 先進的神經SQL執行能力
• 在複雜表格問答方面達到了最先進的性能
• 能夠穩健處理細微和多步驟的查詢
• 在WikiTableQuestions數據集上進行了微調

📚 詳細文檔

預期用途

泰薩爾在解決跨多個領域的複雜基於表格的問題方面特別強大。以下是該模型可以有效解決的一些示例問題：

使用方法

以下是一個使用Transformers庫使用泰薩爾的完整示例：

from transformers import TessarTokenizer, BartForConditionalGeneration
import pandas as pd

# 加載泰薩爾模型和分詞器
tokenizer = TessarTokenizer.from_pretrained("SVECTOR-CORPORATION/Tessar-largest")
model = BartForConditionalGeneration.from_pretrained("SVECTOR-CORPORATION/Tessar-largest")

# 準備示例表格數據
data = {
    "year": [1896, 1900, 1904, 2004, 2008, 2012],
    "city": ["athens", "paris", "st. louis", "athens", "beijing", "london"]
}
table = pd.DataFrame.from_dict(data)

# 提出特定查詢
query = "In which year did beijing host the Olympic Games?"
encoding = tokenizer(table=table, query=query, return_tensors="pt")

# 生成答案
outputs = model.generate(**encoding)

# 解碼並打印結果
print(tokenizer.batch_decode(outputs, skip_special_tokens=True))
# 預期輸出: [' 2008.0']

評估

有關全面的評估腳本和基準測試，請參考SVECTOR文檔和研究倉庫。

性能亮點

• 在複雜表格推理任務上具有出色的準確性
• 能夠穩健處理多步驟和上下文查詢
• 在WikiTableQuestions數據集上達到了最先進的性能

引用

如果您在研究中使用泰薩爾（Tessar）的SVECTOR實現，請使用以下引用：

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

聯繫與支持

如需更多信息、支持或合作機會，請通過research@svector.co.in聯繫SVECTOR的研究團隊。

📄 許可證

該模型根據MIT許可證發佈。請在使用前查看許可條款。