Tessar Largest

🚀 泰萨尔（大型模型）

泰萨尔（Tessar）是由SVECTOR开发的先进表格推理模型，它基于开创性研究，突破了神经表格理解的界限，旨在高效解决基于表格的问答问题。

🚀 快速开始

泰萨尔（Textual SQL Analysis and Reasoning）是一款复杂的神经模型，专为在基于表格的问答中表现出色而设计。它实现了一种创新的神经SQL执行器，能够以极高的精度解释和推理复杂的表格数据。

该模型采用BART架构构建，具有双向编码器和自回归解码器。这种设计使泰萨尔能够捕捉表格数据内复杂的上下文关系，并生成准确、与上下文相关的答案。

✨ 主要特性

• 先进的神经SQL执行能力
• 在复杂表格问答方面达到了最先进的性能
• 能够稳健处理细微和多步骤的查询
• 在WikiTableQuestions数据集上进行了微调

📚 详细文档

预期用途

泰萨尔在解决跨多个领域的复杂基于表格的问题方面特别强大。以下是该模型可以有效解决的一些示例问题：

使用方法

以下是一个使用Transformers库使用泰萨尔的完整示例：

from transformers import TessarTokenizer, BartForConditionalGeneration
import pandas as pd

# 加载泰萨尔模型和分词器
tokenizer = TessarTokenizer.from_pretrained("SVECTOR-CORPORATION/Tessar-largest")
model = BartForConditionalGeneration.from_pretrained("SVECTOR-CORPORATION/Tessar-largest")

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

# 提出特定查询
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)

# 解码并打印结果
print(tokenizer.batch_decode(outputs, skip_special_tokens=True))
# 预期输出: [' 2008.0']

评估

有关全面的评估脚本和基准测试，请参考SVECTOR文档和研究仓库。

性能亮点

• 在复杂表格推理任务上具有出色的准确性
• 能够稳健处理多步骤和上下文查询
• 在WikiTableQuestions数据集上达到了最先进的性能

引用

如果您在研究中使用泰萨尔（Tessar）的SVECTOR实现，请使用以下引用：

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

联系与支持

如需更多信息、支持或合作机会，请通过research@svector.co.in联系SVECTOR的研究团队。

📄 许可证

该模型根据MIT许可证发布。请在使用前查看许可条款。