شهدت الفترة الأخيرة تقدمًا ملحوظًا في نماذج اللغات الضخمة (Large Language Models) مما ساهم في تحسين مهام فهم الجداول، مثل الإجابة على الأسئلة المتعلقة بالجداول (Table Question Answering - TableQA). إلا أن التحديات ما زالت قائمة، خصوصًا في الحفاظ على الاعتمادية، القابلية للتوسع، والكفاءة، خاصةً في البيئات التي تعاني من نقص الموارد أو تتطلب حماية الخصوصية.

هذا هو السبب وراء تقديم إطار MATA، الذي يعتمد على مفاهيم متعددة الوكلاء لتحسين تجربة الإجابة على الاستفسارات المتعلقة بالجداول. يستخدم MATA مجموعة من مسارات التفكير التكاملية وأدوات مبنية باستخدام نماذج لغوية صغيرة، حيث يتم توليد إجابات مرشحة من خلال أنماط تفكير متنوعة لكل جدول وسؤال، ثم يتم تصفية أو اختيار الإجابة المثلى بمساعدة هذه الأدوات.

بالإضافة إلى ذلك، تم إدخال خوارزمية تهدف إلى تقليل المكالمات المكلفة لوكالات نماذج اللغة الضخمة، مما يعزز الكفاءة العامة. يستفيد MATA من الأداء القوي للنماذج الصغيرة مفتوحة المصدر ويتكيف بسهولة مع أنواع متعددة من نماذج اللغة الضخمة.

أظهرت تجارب واسعة النطاق على معيارين بمدى صعوبة متفاوت، باستخدام عشرة نماذج لغوية مختلفة، أن MATA يحقق دقة متقدمة وكفاءة عالية في التفكير، مع تجنب الاستنتاج المفرط باستخدام نماذج اللغات الضخمة. تسلط نتائجنا الضوء على أن إدارة مسارات التفكير المتعددة بعناية يُظهر إمكانية التوسع والاعتمادية في الإجابة على الأسئلة المتعلقة بالجداول.

يمكنكم الاطلاع على الشيفرة المصدرية لهذا الإطار المبتكر من خلال زيارة الرابط التالي: [MATA Code](https://github.com/AIDASLab/MATA).