JT-DA: Enhancing Data Analysis with Tool-Integrated Table Reasoning Large Language Models

📄 arXiv: 2512.06859v1 📥 PDF

作者: Ce Chi, Xing Wang, Zhendong Wang, Xiaofan Liu, Ce Li, Zhiyan Song, Chen Zhao, Kexin Yang, Boshen Shi, Jingjing Yang, Chao Deng, Junlan Feng

分类: cs.AI

发布日期: 2025-12-07

💡 一句话要点

JT-DA：通过工具集成表格推理大语言模型增强数据分析能力

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 表格推理 大语言模型 数据分析 工具集成 强化学习 数据集构建 多步推理

📋 核心要点

  1. 现有表格推理方法缺乏高质量的训练数据，难以应对真实场景中复杂的多步分析任务。
  2. JT-DA-8B通过构建大规模表格推理数据集，并结合工具集成和工作流程优化，提升模型性能。
  3. 实验表明，JT-DA-8B在各种表格推理任务中表现出色，验证了数据驱动和流程优化的有效性。

📝 摘要（中文）

本文提出了JT-DA-8B（九天数据分析师8B），一个专为复杂表格推理任务设计的大语言模型，适用于各种真实场景。为了解决表格推理场景中缺乏高质量监督的问题，我们通过聚合29个公共表格问答数据集和300万个表格，构建了一个包含34个明确定义的表格推理任务的综合性训练语料库。提出了一个自动流程来生成包含推理模式的真实多步分析任务。该模型基于开源的JT-Coder-8B模型进行训练，这是一个从头开始训练的80亿参数的仅解码器基础模型。在训练阶段，我们利用基于LLM的评分和工作流程对齐的过滤来提炼高质量的、以表格为中心的数据。采用监督微调（SFT）和强化学习（RL）来优化我们的模型。之后，提出了一个四阶段的表格推理工作流程，包括表格预处理、表格感知、工具集成推理和提示工程，以提高模型的可解释性和执行准确性。实验结果表明，JT-DA-8B在各种表格推理任务中表现出强大的性能，证明了以数据为中心的生成和工作流程驱动的优化的有效性。

🔬 方法详解

问题定义：论文旨在解决现有表格推理模型在处理复杂、真实世界场景下的数据分析任务时，由于缺乏高质量的训练数据和有效的推理流程，导致性能受限的问题。现有方法难以进行多步推理，可解释性差，且难以利用外部工具辅助分析。

核心思路：论文的核心思路是构建一个高质量、多样化的表格推理数据集，并结合工具集成和工作流程优化，训练一个专门的大语言模型（JT-DA-8B）。通过数据增强、模型微调和流程设计，提升模型在复杂表格推理任务中的性能和可解释性。

技术框架：JT-DA-8B的整体框架包括数据构建、模型训练和推理流程三个主要部分。数据构建阶段，通过聚合多个公共数据集并生成新的分析任务，构建大规模训练语料库。模型训练阶段，基于JT-Coder-8B进行监督微调和强化学习。推理流程包括表格预处理、表格感知、工具集成推理和提示工程四个阶段。

关键创新：论文的关键创新在于：1) 构建了大规模、高质量的表格推理数据集，包含多种推理模式；2) 提出了一个四阶段的表格推理工作流程，集成了外部工具，提高了模型的可解释性和执行准确性；3) 利用LLM进行数据过滤和评分，提升了训练数据的质量。

关键设计：在数据构建方面，设计了自动流程生成多步分析任务。在模型训练方面，采用了监督微调和强化学习相结合的方法。在推理流程方面，表格预处理包括数据清洗和格式转换，表格感知用于理解表格结构和内容，工具集成推理利用外部工具进行计算和分析，提示工程用于优化模型输出。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

JT-DA-8B在各种表格推理任务中取得了显著的性能提升，证明了数据驱动和工作流程优化的有效性。具体实验数据未在摘要中给出，但强调了其在不同表格推理任务中的强大性能，表明其优于现有基线模型（具体数值未知）。

🎯 应用场景

该研究成果可应用于金融分析、市场调研、商业智能等领域，帮助用户从海量表格数据中提取有价值的信息，进行决策支持。未来可进一步扩展到更多领域，例如医疗健康、教育等，提升数据分析的效率和准确性，赋能各行业智能化升级。

📄 摘要（原文）

In this work, we present JT-DA-8B (JiuTian Data Analyst 8B), a specialized large language model designed for complex table reasoning tasks across diverse real-world scenarios. To address the lack of high-quality supervision in tabular reasoning scenarios, we construct a comprehensive and diverse training corpus with 34 well-defined table reasoning tasks, by aggregating 29 public table QA datasets and 3 million tables. An automatic pipeline is proposed to generate realistic multi-step analytical tasks involving reasoning patterns. The model is trained upon open-source JT-Coder-8B model, an 8B-parameter decoder-only foundation model trained from scratch. In the training stage, we leverage LLM-based scoring and workflow-aligned filtering to distill high-quality, table-centric data. Both supervised fine-tuning (SFT) and Reinforcement learning (RL) are adopted to optimize our model. Afterwards, a four-stage table reasoning workflow is proposed, including table preprocessing, table sensing, tool-integrated reasoning, and prompt engineering, to improve model interpretability and execution accuracy. Experimental results show that JT-DA-8B achieves strong performance in various table reasoning tasks, demonstrating the effectiveness of data-centric generation and workflow-driven optimization.