language: zh tags:

• tessar
• 表格问答
• svector
• 神经SQL执行器 datasets:
• 斯坦福/wikitablequestions license: mit pipeline_tag: 表格问答

Tessar (大尺寸模型)

Tessar是由SVECTOR开发的先进表格推理模型，基于突破性研究成果，不断拓展神经表格理解的边界。

模型描述

Tessar（Textual SQL Analysis and Reasoning）是一款专精于表格问答的复杂神经模型。它实现了创新的神经SQL执行器，能以惊人精度解析和推理复杂表格数据。

该模型采用BART架构构建，配备双向编码器和自回归解码器。这种设计使Tessar能捕捉表格数据中错综复杂的上下文关系，并生成准确且符合语境的答案。

核心特性

• 先进的神经SQL执行能力
• 复杂表格问答任务的最先进性能
• 对微妙多步查询的稳健处理
• 基于WikiTableQuestions数据集微调

应用场景

Tessar特别擅长解决跨领域的复杂表格问题。以下是模型能有效处理的示例问题：

使用方法

以下是使用Transformers库调用Tessar的完整示例：

from transformers import TessarTokenizer, BartForConditionalGeneration
import pandas as pd

# 加载Tessar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 = {
    "年份": [1896, 1900, 1904, 2004, 2008, 2012],
    "城市": ["雅典", "巴黎", "圣路易斯", "雅典", "北京", "伦敦"]
}
table = pd.DataFrame.from_dict(data)

# 提出具体查询
query = "北京在哪一年举办了奥运会？"
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']

性能评估

完整评估脚本和基准测试请参考SVECTOR文档及研究代码库。

性能亮点

• 复杂表格推理任务中的卓越准确率
• 对多步上下文查询的稳健处理
• 在WikiTableQuestions数据集上的最先进表现

引用规范

若在研究中使用了SVECTOR实现的Tessar：

@inproceedings{svector2025tessar,
    title={{Tessar}: 先进神经表格推理系统},
    author={{SVECTOR团队}},
    year={2025},
    institution={SVECTOR研究院}
}

联系支持

如需更多信息、技术支持或合作机会，请联系SVECTOR研究团队：research@svector.co.in

许可协议

本模型采用MIT许可证发布，使用前请仔细阅读许可条款。