TabTracer：用于大型语言模型复杂表格推理的蒙特卡洛树搜索

大型语言模型（LLMs）已成为自然语言表格推理的强大工具，但现有方法存在局限。基于提示的方法依赖语言推理或单次程序生成，缺乏步骤级验证；基于代理的方法虽使用工具进行闭环操作，但验证通常局部且回溯有限，导致错误传播和成本增加。本文提出TabTracer，一种代理框架，通过协调多步工具调用并跟踪中间表格状态，实现显式状态验证与回滚。首先，它通过类型化操作和轻量数值与格式检查实现步骤级验证，以提供可靠奖励并抑制幻觉。其次，执行反馈蒙特卡洛树搜索维护候选表格状态的搜索树，并利用反向传播的反思评分指导UCB1选择和回滚。最后，通过预算感知剪枝、去重和单调性门控的状态哈希减少冗余，降低token消耗。在TabFact、WikiTQ和CRT数据集上的全面评估表明，TabTracer在准确率上优于最先进基线最多6.7%，同时将token消耗减少了59-84%。