Карта применимости LLM для работы с табличными данными

Специализированные tabular LLM (TableGPT2, TableLLM) проиграли обычным GPT-4 и Claude почти во всех задачах очистки данных. Это даёт карту применимости — понимаешь где LLM справятся с твоими таблицами, а где провалятся. LLM работают как паттерн-матчеры, а не калькуляторы: отлично стандартизируют форматы (точность 93-100%) и находят точные дубликаты (95-100%), но проваливают подсчёты (точность 26,5% у GPT-4) и пропускают сложные подзадачи при комплексных запросах типа "очисти данные" (полнота 13-27% vs 50-100% при разбивке на шаги).