في عالم المعلومات الكبيرة، تُعد القدرة على استرجاع الجداول المرتبطة بالأسئلة من المهام الأساسية في استرجاع المعلومات الهيكلية. تعتمد أنظمة الاسترجاع متعددة المراحل بشكل كبير على تقنيات إعادة الترتيب (rerankers) لتحسين القوائم التي يقدمها المسترجع الأولي.

في هذا السياق، أظهرت تقنيات إعادة الترتيب المعتمدة على الشبكات العصبية (neural rerankers) وطُرق إعادة الترتيب المستندة إلى نماذج اللغات الضخمة (Large Language Models - LLMs) أهميتها المتزايدة بفضل قدرتها الفائقة على الفهم الدلالي (semantic understanding) والتفكير المنطقي (reasoning) مقارنةً بالنماذج التقليدية.

أخيراً، تم تقديم نموذج جديد يُعرف بـ TabRank، وهو إطار عمل مُصمم لتدريب مدراء التفكير على إعادة ترتيب الجداول. يتكون هذا النموذج من مجموعة شاملة من البيانات تضم 6728 مسار تفكير مخصص لإعادة الترتيب على مجموعة بيانات Natural Questions Tables.

يتماشى توجيه التدريب بين نموذج التفكير المُركّز (explicit CoT distillation) وتكييف المدير (student reranker) مع مسار التفكير الخاص بالمعلم (teacher’s reasoning trace). هذا النهج محوري لنموذج TabRank، حيث أثبت فعاليته في مجموعة من سيناريوهات التعميم الخارجي المتنوعة.

حسب نتائج الاختبارات، حقق TabRank تحسيناً ملحوظاً في الأداء، حيث ازدادت نسبة الدقة بمعدل 30.5% على HybridQA، و15.2% على SQA، و52.9% على TabFact، و13.1% على مجموعات TATQA من معيار Multi-Table QA. من المثير للإعجاب أن TabRank يتكيف بشكل جيد مع التفكير المتعدد الجداول.

لمن يرغب في استكشاف الكود والبيانات والنماذج المستخدمة في TabRank، يمكن مراجعة الرابط المتاح.