TableGPT2-7B 是浙江大学推出的大规模解码器，专注于处理和分析表格数据。 模型通过特殊的表格编码器和双维注意力机制，有效捕捉表格数据的行和列关系。 在多个基准测试中，TableGPT2-7B 的性能显著优于其他模型。
TableGPT2-7B 是什么
TableGPT2-7B 是由浙江大学开发的大规模解码器，专为数据密集型任务设计，特别强调处理和分析表格数据。该模型旨在填补传统大语言模型（LLM）能力和实际需求之间的差距，特别是在商业智能（BI）、自动数据驱动分析以及涉及数据库或数据仓库的任务中表现出色。
TableGPT2-7B 的技术原理
结构化数据作为独立模态：TableGPT2-7B 将结构化数据视为一种独立的模态，直接理解和处理数据库和 Excel 中的数据。 表格编码器：模型包含一个专门的表格编码器，用于读取和解释表格数据。编码器处理整个表格，生成每列的紧凑嵌入，基于双维注意力机制，无需位置嵌入，同时进行分层特征提取，确保行和列的关系被有效捕捉。 双维注意力机制：TableGPT2-7B 使用双维注意力机制处理表格数据，支持模型捕捉表格的行和列之间的关系，同时保持对表格结构的感知。 列对比学习方法：基于列对比学习方法，模型被鼓励去学习有意义的、结构感知的语义表示，有助于模型更好地理解和解释表格数据。 Q-former 样式适配器：用 Q-former 样式的适配器对齐表格嵌入和文本输入，引入可学习的查询，及特殊标记区分表格特征与文本，让模型同时处理两种模态。
如何运行 TableGPT2-7B
安装依赖
首先，确保安装了 transformers 库：
pip install transformers>=4.37.0
加载模型和数据
from transformers import AutoModelForCausalLM, AutoTokenizer
import pandas as pd
from io import StringIO
# 示例表格数据
EXAMPLE_CSV_CONTENT = """
"Loss","Date","Score","Opponent","Record","Attendance"
"Hampton (14–12)","September 25","8–7","Padres","67–84","31,193"
"Speier (5–3)","September 26","3–1","Padres","67–85","30,711"
"Elarton (4–9)","September 22","3–1","@ Expos","65–83","9,707"
"Lundquist (0–1)","September 24","15–11","Padres","67–83","30,774"
"Hampton (13–11)","September 6","9–5","Dodgers","61–78","31,407"
"""
# 读取表格数据
csv_file = StringIO(EXAMPLE_CSV_CONTENT)
df = pd.read_csv(csv_file)
# 加载模型和分词器
model_name = "tablegpt/TableGPT2-7B"
model = AutoModelForCausalLM.from_pretrained(
model_name, torch_dtype="auto", device_map="auto"
)
tokenizer = AutoTokenizer.from_pretrained(model_name)
# 构建提示
example_prompt_template = """Given access to several pandas dataframes, write the Python code to answer the user's question.
/*
"{var_name}.head(5).to_string(index=False)" as follows:
{df_info}
*/
Question: {user_question}
"""
question = "哪些比赛的战绩达到了40胜40负？"
prompt = example_prompt_template.format(
var_name="df",
df_info=df.head(5).to_string(index=False),
user_question=question,
)
# 生成响应
messages = [
{"role": "system", "content": "You are a helpful assistant."},
{"role": "user", "content": prompt},
]
text = tokenizer.apply_chat_template(
messages, tokenize=False, add_generation_prompt=True
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)
generated_ids = model.generate(**model_inputs, max_new_tokens=512)
generated_ids = [
output_ids[len(input_ids):]
for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
]
response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]
print(response)
