arXiv:2511.03570 60 5 нояб. 2025 г. PRO

TabGemma: текстовое табличное ICL с использованием LLM посредством продолженного предварительного обучения и поиска

КЛЮЧЕВАЯ СУТЬ

Стандартизация представления чисел и превращение строк таблицы в структурированный текст позволяет LLM превосходить даже специализированные инструменты для анализа данных в задачах классификации

Адаптировать под запрос

Контент доступен только для PRO подписчиков

Чтобы получить доступ к полному содержанию этого исследования, оформите PRO подписку

💳 Оплатить через Геткурс

YandexPay • SberPay • СБП • Карты РФ

⚡ Оплатить через Tribute

Telegram Stars • Моментальный доступ

Узнать о PRO

Работа с исследованием

Адаптируйте исследование под ваши задачи или создайте готовый промпт на основе техник из исследования.

Выберите модель ИИ:

Ваш запрос:

0 / 2000

~0.5-2 N-токенов ~10-30с

~0.3-1 N-токенов ~5-15с

60

УДОВЛЕТВОРИТЕЛЬНО

TabGemma: текстовое табличное ICL с использованием LLM посре...

Возможности

Извлечение и структурирование данных 95%

Классификация информации и тегирование 85%

Анализ данных 70%

Область

Data Science и аналитика 90%

IT и разработка ПО 75%

Наука и исследования 60%

Паттерн

Новое: Канонизация и Сериализация Данных для In-Context Learning 95%

КОМУ ПОЛЕЗНО

Аналитик данных

Автоматизирует извлечение и нормализацию числовых данных из неструктурированных отчетов, используя канонизацию чисел для повышения точности обработки LLM. Польза: Сокращение времени на подготовку данных на 30% и снижение ошибок на 20%.

Маркетолог

Классифицирует отзывы клиентов по категориям (баг, идея, похвала) с помощью few-shot обучения и сериализации отзывов в структурированный текстовый формат. Польза: Ускорение категоризации отзывов в 5 раз, позволяя быстрее реагировать на обратную связь.

Разработчик ПО

Извлекает ключевые характеристики продуктов (например, спецификации ноутбуков) из текстовых описаний, применяя сериализацию и канонизацию числовых параметров (RAM, SSD) для создания структурированных баз данных. Польза: Автоматизация заполнения каталогов товаров, сокращение ручного труда на 40%.

Финансовый аналитик

Обрабатывает финансовые отчеты, извлекая числовые показатели и приводя их к единой научной нотации для точного анализа LLM. Польза: Повышение надежности извлечения финансовых данных на 25% и снижение риска ошибок при расчетах.

Специалист по поддержке клиентов

Автоматически определяет тип запроса клиента (техническая проблема, вопрос по оплате, предложение) из текстовых обращений, используя сериализацию и few-shot примеры. Польза: Ускорение маршрутизации запросов на 50%, улучшение времени ответа.

Исследователь

Структурирует экспериментальные данные из научных статей в табличный формат для дальнейшего анализа, применяя сериализацию строк и канонизацию числовых результатов. Польза: Упрощение агрегации данных из различных источников и повышение воспроизводимости исследований.

Менеджер по продукту

Анализирует пользовательские истории и требования, извлекая ключевые функции и метрики, используя структурированное представление текста для LLM. Польза: Более точное формирование требований и снижение неоднозначности в документации на 15%.