في عالم البيانات الضخمة، يواجه الاستدلال العددي على الجداول المتخصصة تحديات كبيرة. فعلى الرغم من دقة النماذج المدربة، إلا أن قدرتها على التكيف مع تغييرات المجال تظل محدودة. وعندما يتم تدريب النماذج باستخدام خوارزميات التعلم العميق (Deep Learning) المخصصة على مجموعات بيانات معينة، غالباً ما تعتمد هذه النماذج على اختصارات محددة بدلاً من الفهم الهيكلي العميق.

تأتي تقنية TaNOS لتحدث ثورة في هذا المجال، حيث تمثل إطارًا تدريبيًا مستمرًا يتضمن ثلاثة مكونات أساسية:
1. **تعتيم العناوين** لتقليل الاعتماد على الذاكرة اللفظية.
2. **رسومات العمليات** التي توفر إشارات هيكلية دقيقة.
3. **التدريب الذاتي** الذي يبني أزواج الأسئلة والبرامج المضمونة الصحة من الجداول بطريقة تفضل بناء البرامج.

من خلال فصل الدلالات المتعلقة بالمجال عن الهيكل العددي، تعزز TaNOS قابلية نقل الاستدلال العددي بشكل كبير. عند تطبيق تقنية TaNOS على نموذج يبلغ حجمه 8 مليار عملية مدربة، أظهرت النتائج دقة تنفيذ بلغت 80.13% على منصة FinQA باستخدام 10% فقط من بيانات التدريب. وهو ما يتفوق على النماذج التقليدية التي تعتمد على التعلم الخاضع للإشراف (Supervised Fine-Tuning) والتي حققت 73.97% باستخدام كامل بيانات التدريب، بالإضافة إلى التفوق على نماذج خاصة مثل GPT-5 وGemini-2.5-Pro.

تتضح فعالية TaNOS أيضاً في تجارب تغيير المجال، حيث عانت النماذج التقليدية من فجوة تتجاوز 10 نقاط، بينما أظهرت TaNOS فجوة شبه معدومة تقدر بأقل من نقطتين.

تشير هذه النتائج إلى أن التوجيه الهيكلي باستخدام رسومات العمليات، والتمثيلات المستقلة عن العناوين، والإشراف الذاتي المضمون للصحة يمكن أن تعزز من قوة الاستدلال العددي عبر الجداول المختلفة.