TABDSR: трёхшаговая обработка таблиц для точных вычислений

Парадокс: Чем больше контекста даёшь модели, тем хуже она работает. Подаёшь вопрос + большую таблицу одновременно — модель «забывает» части вопроса. Multi-hop запрос («посчитай X, потом сравни с Y») превращается в ответ только про X. TabDSR позволяет получать точные ответы на сложные вопросы по таблицам — особенно когда нужно несколько шагов вычислений и данные грязные ($3,275, «N/A», примечания в скобках). Фишка метода: разделяет процесс на три независимых шага. Декомпозер разбивает вопрос на подвопросы (работает ТОЛЬКО с текстом вопроса, игнорирует таблицу). Санитайзер чистит таблицу от мусора (символы валют, проценты, примечания). Reasoner генерирует Python-код для каждого подвопроса. Каждый шаг закрывает отдельную слабость LLM — вместо попытки сделать всё одним промптом.