arXiv cs.CL· Simone Varriale, Tamara Cucumides, Floris Geerts, Paolo Papotti·· 12 小时前AI 评分31
GRAB：用潜在桥接让冻结 LLM 处理多表问答
Latent Bridges for Multi-Table Question Answering
AI 导读
GRAB 提出一种 constructor-encoder-bridge 流水线，将关系数据提升为异构图、经消息传递编码后，用少量查询条件化的 latent token 把结构信号传给严格冻结的 LLM，仅训练 91M 参数的轻量图编码器与潜在桥接。该方法在关系型问答上显著提升性能，多表场景增益最大。
正文 · AI 翻译
摘要：我们提出 GRAB，一种用于表格问答的构造器-编码器-桥接流水线。我们的方法将关系数据提升为异构图，通过消息传递对其进行编码，并通过一小组以查询为条件的潜在 token 将信号传递给 LLM。这为 LLM 提供了紧凑、与任务相关的结构表示以及扁平化文本。关键在于，LLM 保持严格冻结以保留其通用推理能力；我们仅训练轻量级图编码器和潜在桥接（9100 万参数），从而使整个流水线能够高效训练。我们的流水线显著提升了关系型问答的性能，在要求苛刻的多表设置中增益最大，为连接关系深度学习与 LLM 提供了一种高效且有原则的方式。
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI）；数据库（cs.DB） |
| 引用为： | arXiv:2606.28916 [cs.CL] |
| （或本版本使用 arXiv:2606.28916v2 [cs.CL]） | |
| https://doi.org/10.48550/arXiv.2606.28916 由 DataCite 颁发 arXiv DOI |
提交历史
来自：Simone Varriale [查看电子邮件]
[v1]
2026年6月27日星期六 13:48:20 UTC（2,228 KB）
[v2]
2026年10月21日星期三 15:06:47 UTC（410 KB）
来源：arXiv cs.CL · arxiv.org