جاءت فكرة **تابسيف** استجابة للحاجة الملحة لفهم كيفية استخدام الأدلة ضمن الجداول، حيث كانت النماذج السابقة تميل إلى إجراء استنتاجات غير دقيقة بسبب الضوضاء في البيانات. من خلال هيكلية **select-then-predict**، تمكّن **تابسيف** أولاً من اختيار مجموعة صغيرة من الصفوف الجدولية المفيدة كهذه الأدلة، ثم تقوم بتحليل الهدف المفقود بالاعتماد على هذه الأدلة المختارة.
نموذج قوي ">إنشاء نموذج قوي
لتطوير القدرة الفائقة لـ **تابسيف**، تم إنشاء نموذج **TabSieve-SFT-40K** يتضمن مسارات تحليل عالية الجودة مستمدة من 331 جدولًا حقيقيًا، مع استخدام نموذج تعليمي قوي مع تدقيق صارم.
علاوة على ذلك، تم إدخال استراتيجية التعلم التعزيزي **TAB-GRPO** التي تعمل على تحسين اختيار الأدلة ودقة التوقعات بشكل متزامن، مما يضمن توازن الديناميكية بين المهام المختلفة.
نتائج مذهلة ">نتائج مذهلة
أظهرت التجارب التي أُجريت على مجموعة تحمل 75 جدول تصنيف و52 جدول انحدار أن **تابسيف** تعزز الأداء بشكل مستمر عبر مختلف الميزانيات، حيث حققت متوسط زيادة بنسبة 2.92% في التصنيف و4.45% في الانحدار مقارنةً بأفضل نموذج منافس.
واحدة من الملاحظات الأساسية هي أن **تابسيف** تركز المزيد من الانتباه على الأدلة المختارة، مما يُحسن من مرونة النموذج في مواجهة السياقات المليئة بالضوضاء. هل أنتم مستعدون لاستكشاف مستقبل واجهات البيانات المعقّدة مع تقنيات مثل **تابسيف**؟ شاركونا آراءكم وتجاربكم في التعليقات.