MATA：用于可靠且灵活的表格问答的多智能体框架

近年来，大型语言模型（LLMs）在表格理解任务如表格问答（TableQA）方面取得了显著进展，但在资源受限或隐私敏感环境中仍面临可靠性、可扩展性和效率方面的挑战。本文提出MATA，一种基于多智能体的表格问答框架，利用多个互补的推理路径和由小型语言模型构建的一组工具。MATA通过多样化的推理风格为给定表格和问题生成候选答案，并借助这些工具进行优化或选择最佳答案。此外，它引入了一种算法以减少昂贵的LLM代理调用，从而提高整体效率。MATA在使用小型开源模型时仍能保持强大性能，并能适应各种LLM类型。在两个不同难度基准上使用十种不同的LLM进行的广泛实验表明，MATA在避免过度LLM推理的同时实现了最先进的准确率和高效推理。结果表明，精心协调的多路径推理方法能够实现可扩展且可靠的表格问答。