GPT+結(jié)構(gòu)化數(shù)據(jù):可分析數(shù)據(jù)、作圖和建模
本文約6000字，建議閱讀10+分鐘
Table-GPT，是一個專為表分析而設(shè)計的大型語言模型，統(tǒng)一了表、自然語言和命令。1 摘要
GPT-3和ChatGPT等語言模型在遵循不同的人類指令和執(zhí)行各種任務(wù)方面表現(xiàn)出卓越的能力，然而在表格數(shù)據(jù)（結(jié)構(gòu)化數(shù)據(jù)）理解任務(wù)中表現(xiàn)不佳。這可能是因為這些模型主要是在一維自然語言文本上預(yù)訓(xùn)練的，而表格作為二維對象，需要更復(fù)雜的信息處理能力。（個人認(rèn)為也可能因為神經(jīng)網(wǎng)絡(luò)不太擅長異構(gòu)數(shù)據(jù)，也不太擅長數(shù)值表示）
Table-GPT是一個突破大語言模型技術(shù)限制的數(shù)據(jù)分析工具，采用大模型“表格調(diào)優(yōu)”范式，是使用真實表格合成任務(wù)數(shù)據(jù)來訓(xùn)練/微調(diào)GPT3.5和ChatGPT等語言模型，增強(qiáng)了它們理解和執(zhí)行表格任務(wù)的能力。
它以表格、自然語言和命令為基礎(chǔ)，將幾個核心組件集成到GPT模型中，包括全局表表示、命令鏈和領(lǐng)域感知微調(diào)。Table-GPT在表格理解任務(wù)上優(yōu)于普通GPT-3.5和ChatGPT，并能夠響應(yīng)指令執(zhí)行新的表格任務(wù)。Table-GPT框架具有語言驅(qū)動的EDA、統(tǒng)一的跨模式框架和泛化與隱私保護(hù)等優(yōu)勢。它簡化了用戶處理表格數(shù)據(jù)的方式，提高了數(shù)據(jù)操作執(zhí)行的可靠性，并可以更好地處理數(shù)據(jù)可變性和泛化到不同領(lǐng)域。此外，Table-GPT還支持私有部署，提供強(qiáng)大的數(shù)據(jù)隱私保護(hù)。
2 介紹
2.1 調(diào)優(yōu)
NLP中的指令調(diào)優(yōu) 是一種訓(xùn)練語言模型以遵循不同人類指令的技術(shù)，通過構(gòu)建“（指令，完成）”的訓(xùn)練數(shù)據(jù)，由人類標(biāo)注者手動注釋，從而繼續(xù)訓(xùn)練模型以遵循高級人類指令，產(chǎn)生了著名的模型如ChatGPT/InstructGPT和它們的開源版本如Stanford-Alpaca和LLaMa-chat。早期的GPT-3模型不能可靠地遵循這種指令，后來才在ChatGPT等模型中實現(xiàn)。
表調(diào)優(yōu) 是一種訓(xùn)練語言模型理解表格的新方法。我們通過使用指令、表和完成形式的多訓(xùn)練數(shù)據(jù)，來提高模型遵循人類指令的能力。我們使用大量真實表合成數(shù)據(jù)，過程如圖1所示。
圖1 指令調(diào)優(yōu)與表調(diào)優(yōu)。（左）指令調(diào)優(yōu)是在NLP社區(qū)開發(fā)的一種技術(shù)，它繼續(xù)訓(xùn)練語言模型（如GPT）以獲得指令遵循能力（如ChatGPT）。（右）表調(diào)優(yōu)是我們提出的一種類似的方法，用于訓(xùn)練語言模型以更好地理解表并執(zhí)行表任務(wù)?
2.2 語言模型
目前流行的語言模型有兩種：編碼器式語言模型和解碼器式語言模型，都源于原始的Transformer架構(gòu)。
編碼器式語言模型 包括BERT和RoBERTa，它們僅使用Transformer的編碼器，并在大量文本上預(yù)訓(xùn)練，以使用嵌入向量有效地表示文本的語義。為了將這種模型用于下游任務(wù)，通常采用特定任務(wù)的微調(diào)。
解碼器式語言模型 包括GPT和LLaMa，它們本質(zhì)上是生成性的，并且被證明在泛化到新的下游任務(wù)方面表現(xiàn)出色，而無需進(jìn)行特定任務(wù)的微調(diào)。特別是經(jīng)過指令調(diào)優(yōu)后，解碼器式模型可以僅使用自然語言指令和可選的幾個示例，輕松適應(yīng)新任務(wù)，這種方法可以適應(yīng)新的數(shù)據(jù)集和新的任務(wù)，而無需為每個特定任務(wù)對標(biāo)記數(shù)據(jù)進(jìn)行微調(diào)，從而使解碼器式模型更加通用和多才多藝。
2.3 表格任務(wù)的語言模型
數(shù)據(jù)庫文獻(xiàn)中的開創(chuàng)性工作使用語言模型執(zhí)行與表相關(guān)的任務(wù)。編碼器式語言模型（如TaBERT、Ditto和Doduo）基于編碼器式BERT類模型訓(xùn)練，并在各種表格任務(wù)中表現(xiàn)良好。但要泛化到新數(shù)據(jù)集或任務(wù)，需用標(biāo)記數(shù)據(jù)進(jìn)行微調(diào)。相反，解碼器式語言模型（如GPT-3和ChatGPT）只需指令即可執(zhí)行任務(wù)，通過“提示工程”技術(shù)使普通語言模型在表任務(wù)上表現(xiàn)良好。
我們提出“表調(diào)優(yōu)”，探索正交方向，繼續(xù)訓(xùn)練基礎(chǔ)語言模型一次，提高模型在各種表任務(wù)上的表現(xiàn)。圖2顯示了表調(diào)優(yōu)過程，類似于指令調(diào)優(yōu)但更注重提高模型理解表和執(zhí)行表任務(wù)的能力。我們的表調(diào)優(yōu)模型仍然是通用的，能夠遵循人類指令執(zhí)行表任務(wù)（無需任務(wù)特定的微調(diào)），就像底層GPT-3和ChatGPT模型一樣。在Table-GPT中，目標(biāo)是同時具備泛化能力和良好的表任務(wù)性能。
圖2 指令調(diào)優(yōu)與表調(diào)優(yōu)。指令調(diào)優(yōu)可以提高模型的“泛化能力”，遵循不同的人類指令執(zhí)行新的和未知的任務(wù)（x軸），而我們提出的表調(diào)優(yōu)在精神上是類似的，但旨在提高模型理解表和執(zhí)行表任務(wù)的能力（y軸）?
3 語言模型可以“讀懂”表格嗎？
語言模型在閱讀和理解二維表格時面臨挑戰(zhàn)，包括一維文本與二維表格的差異，以及順序敏感的文本與排列不變的表格。
為了測試語言模型按列方向讀取表格的能力，我們設(shè)計了簡單的測試任務(wù)（T-1），包括“缺失值識別”，從真實表中刪除隨機(jī)單元格，生成兩個變體。如圖3所示：
圖3：任務(wù)（T-1）缺失單元格識別的兩個變體。（左）T-1(a)：從真實表格中隨機(jī)移除一個單元格，但保留其列分隔符?！皘 |”的存在表示缺失的單元格，應(yīng)該很容易識別。（右）T-1(b)：隨機(jī)移除一個單元格及其列分隔符，這是一個常見但具有挑戰(zhàn)性的CSV解析問題?
我們使用1000個真實表進(jìn)行測試，結(jié)果如表1所示：列方向讀取表格具有挑戰(zhàn)性，準(zhǔn)確率分別為0.38和0.26；使用列分隔符和幾次演示后，模型僅能正確完成一半測試（0.51）；行方向上，模型識別缺失單元格的能力更好，但在“無 col-separator”設(shè)置中仍不夠好。
表1 GPT-3.5（使用Text-Davinci-002）在任務(wù)（T-1）缺失值標(biāo)識上的準(zhǔn)確性數(shù)據(jù)
語言模型在列方向讀取表格的能力不足，在行方向識別缺失單元格的能力較弱。這表明語言模型可能不適合表格任務(wù)。因此，需要開發(fā)表調(diào)優(yōu)方法。
4 TABLE-GPT的表調(diào)優(yōu)
4.1 總體方法：綜合然后增強(qiáng)
表調(diào)優(yōu)受到NLP文獻(xiàn)的成功啟發(fā)，使用“（指令，完成）”對訓(xùn)練語言模型，造就了ChatGPT和LLama-chat等流行模型。我們提出的表調(diào)優(yōu)則是通過使用“（指令，表，完成）”三元組來提高模型執(zhí)行表任務(wù)的能力。定義表格任務(wù)的實例為三元組，包括指令、表和完成。然而，挑戰(zhàn)在于保證“（指令，完成）”對的質(zhì)量，需要大量人工標(biāo)注以確保訓(xùn)練數(shù)據(jù)的質(zhì)量和多樣性。我們希望復(fù)制表域中指令調(diào)優(yōu)的成功，但理想情況下不需要昂貴的人工標(biāo)注?，F(xiàn)有的基準(zhǔn)數(shù)據(jù)存在任務(wù)和數(shù)據(jù)多樣性不足的問題，我們試圖僅使用現(xiàn)有的基準(zhǔn)數(shù)據(jù)進(jìn)行表調(diào)優(yōu)，導(dǎo)致過擬合。
4.2 綜合不同的表任務(wù)
我們提出了兩種方法：(1) 合成新的表任務(wù)以實現(xiàn)任務(wù)多樣性，(2) 合成現(xiàn)有表任務(wù)的新表測試用例以實現(xiàn)數(shù)據(jù)多樣性。我們抓取了290萬個高質(zhì)量的網(wǎng)絡(luò)表格和18.8萬個數(shù)據(jù)庫表格，并根據(jù)從語料庫中抽樣的真實表格合成表格任務(wù)。
表2為18個與表格相關(guān)的任務(wù)的收集和總結(jié)，以便對 GPT 進(jìn)行“表格調(diào)整”，使其能夠更好地處理表格任務(wù)。這些任務(wù)涵蓋了諸如表格理解、表格問答、表格匹配、表格清理、表格轉(zhuǎn)換等廣泛領(lǐng)域。表格2中的每個任務(wù)都有一個任務(wù)類別和表格數(shù)據(jù)，其中任務(wù)類別涵蓋了各種任務(wù)類型，表格數(shù)據(jù)則包括從各種真實表格中合成的任務(wù)，以確保訓(xùn)練數(shù)據(jù)的多樣性并避免過擬合。
表2 18個與表相關(guān)的任務(wù)的收集和總結(jié)
4.3 增強(qiáng)綜合表任務(wù)
我們通過不同級別進(jìn)行增強(qiáng)，包括指令級、表級、補(bǔ)全級和語言模型輔助完成增強(qiáng)，旨在創(chuàng)建更多的數(shù)據(jù)多樣性并避免過擬合。
在指令級，我們使用GPT對規(guī)范指令進(jìn)行增強(qiáng)，生成多種變體。在表級，我們可以執(zhí)行諸如列置換、行置換、列采樣、行采樣等操作以增加表的多樣性。在補(bǔ)全級，我們通過添加推理步驟到原始補(bǔ)全來增強(qiáng)。最后，我們使用語言模型輔助完成增強(qiáng)，通過逐步推理培養(yǎng)模型在復(fù)雜任務(wù)上的表現(xiàn)。真實輔助完成增強(qiáng)使用了地面實況逐步推理，例如任務(wù)（T-9）錯誤檢測。常規(guī)語言模型在此任務(wù)中會產(chǎn)生大量誤報，例如將沒有拼寫錯誤的單元格自信地預(yù)測為拼寫錯誤。使用表任務(wù)合成步驟中的真實事實生成增強(qiáng)完成，嵌入推理步驟，可以減少誤報并提高結(jié)果質(zhì)量。此外，還執(zhí)行了其他類型的增強(qiáng)，包括模板級增強(qiáng)和任務(wù)級增強(qiáng)，以提高訓(xùn)練數(shù)據(jù)的多樣性和平板調(diào)整。
4.4 Table-GPT 作為“表基礎(chǔ)模型”
我們使用綜合然后增強(qiáng)方法生成表任務(wù)，并訓(xùn)練語言模型以最大化完成損失。這個過程稱為表調(diào)優(yōu)。表調(diào)優(yōu)后的模型TableTune(M) 若在以下場景的表現(xiàn)優(yōu)于M，那么它可以作為更好的“表基礎(chǔ)模型”：(1) 開箱即用的零樣本；(2)開箱即用的few-shot；(3)針對特定任務(wù)的提示調(diào)優(yōu)；(4)特定任務(wù)微調(diào)。
我們期望通過實驗評估來驗證表調(diào)優(yōu)的有效性。
5 實驗
5.1 實驗設(shè)置
我們測試了GPT-3.5、Table-GPT-3.5、ChatGPT和Table-ChatGPT四種模型。其中，Table-GPT-3.5和Table-ChatGPT是通過對GPT-3.5和ChatGPT進(jìn)行表調(diào)優(yōu)后獲得的模型，如表3。我們使用了14種表任務(wù)作為訓(xùn)練數(shù)據(jù)，并確保測試任務(wù)與訓(xùn)練數(shù)據(jù)分開。對于不可見任務(wù)，我們評估了模型是否可以遵循人類指令并執(zhí)行新的不可見任務(wù)。對于常見任務(wù)，我們希望表調(diào)整模型能夠展示表相關(guān)的概念。我們使用了現(xiàn)有的基準(zhǔn)數(shù)據(jù)，對于無法自動合成真實標(biāo)簽的任務(wù)，我們使用了手動標(biāo)記的基準(zhǔn)數(shù)據(jù)。測試數(shù)據(jù)及其統(tǒng)計的詳細(xì)信息可見表4。
表3 在 GPT-3.5 和 ChatGPT 上針對各個數(shù)據(jù)集進(jìn)行表調(diào)優(yōu)的詳細(xì)結(jié)果。零樣本不適用于需要示例的行到行示例轉(zhuǎn)換（標(biāo)記為“N.A.”）。對于所有“看不見”的任務(wù)，這些任務(wù)在表調(diào)整期間會被保留且看不見。對于所有“Seen”任務(wù)，任務(wù)在表調(diào)整期間可見，但測試數(shù)據(jù)集被保留且不可見。
表4 測試數(shù)據(jù)和評估指標(biāo)的詳細(xì)信息
5.2 質(zhì)量比較：未見+已見任務(wù)
圖4和圖5分別比較了GPT-3.5與Table-GPT-3.5、ChatGPT與Table-ChatGPT的性能。表調(diào)整模型在各種表任務(wù)上顯示出強(qiáng)大的性能優(yōu)勢，顯示出我們提出的表調(diào)優(yōu)方法在不同風(fēng)格的底層語言模型之上的通用性。在總共104次測試中，表調(diào)整模型在98次測試中表現(xiàn)出色。
圖4 普通 GPT-3.5 和 Table-GPT-3.5 之間的整體質(zhì)量改進(jìn)
圖5 普通 ChatGPT 和 Table-ChatGPT 之間的整體質(zhì)量改進(jìn)??
5.3 特定任務(wù)優(yōu)化的好處
表調(diào)整的GPT模型在零樣本和少樣本設(shè)置中表現(xiàn)良好，可以作為表基礎(chǔ)模型，使用特定任務(wù)的優(yōu)化可以提高下游任務(wù)的質(zhì)量。單任務(wù)提示工程中，Table-GPT-3.5相較于GPT-3.5表現(xiàn)更優(yōu)，使用200個標(biāo)記示例進(jìn)行提示工程評估，Table-GPT-3.5始終選擇更佳的提示。圖 6 顯示了分別為 Table-GPT-3.5 和 GPT-3.5 選擇的前 5 個提示。單任務(wù)微調(diào)中，Table-GPT-3.5和GPT-3.5都受益于特定任務(wù)的微調(diào)，但Table-GPT-3.5所需標(biāo)記數(shù)據(jù)更少，如圖7。
圖6 使用prompt工程進(jìn)行質(zhì)量比較。在Efthymiou數(shù)據(jù)集上，顯示了5個最佳prompt模板的結(jié)果
圖7 單任務(wù)微調(diào)
5.4 敏感度分析
我們進(jìn)行了敏感性分析，研究了訓(xùn)練任務(wù)數(shù)量、訓(xùn)練數(shù)據(jù)量、基礎(chǔ)模型大小和提示模板對表調(diào)整模型性能的影響，如圖8-11。
圖8 不同訓(xùn)練任務(wù)數(shù)量
圖9 不同訓(xùn)練數(shù)據(jù)量
圖10 不同模型大小
圖11 不同提示模板
可以發(fā)現(xiàn)，使用更多的訓(xùn)練任務(wù)可以提高所有任務(wù)的性能，隨著訓(xùn)練數(shù)據(jù)量的增加，可見和不可見任務(wù)的性能都會提高，但趨于穩(wěn)定。對于基礎(chǔ)模型大小，我們發(fā)現(xiàn)tabletuned模型在較大模型上表現(xiàn)更好，這可能是因為它們具有更好的泛化能力。最后，我們發(fā)現(xiàn)不同的提示模板會對模型的性能產(chǎn)生影響，但table-GPT-3.5在所有提示模板上始終優(yōu)于GPT-3.5 10個百分點(diǎn)以上，這顯示了Table-GPT-3.5的穩(wěn)健性。在表格格式方面，Markdown格式的平均性能優(yōu)于其他格式，如表5。
表5 Table-GPT-3.5在不同的表格格式下的性能
5.5 消融研究
我們進(jìn)行消融分析以了解不同增強(qiáng)策略的益處，結(jié)果總結(jié)如表。沒有任務(wù)級增強(qiáng)，即沒有合成任務(wù)，性能顯著下降。沒有表級增強(qiáng)，即沒有列排列，性能降低。沒有指令級增強(qiáng)，即沒有提示變化，性能略有下降。沒有完成級增強(qiáng)，即沒有思維鏈，性能會降低。
表6 表調(diào)優(yōu)的消融研究
6 Table-GPT
6.1 模型設(shè)計
Table-GPT基于7B參數(shù)的Phoenix模型，對2T文本數(shù)據(jù)和0.3M表格進(jìn)行微調(diào)，支持用戶查詢和表分析報告。
Table-GPT的整體架構(gòu)如圖12所示。Table-GPT由表編碼器和LLM組成，結(jié)合輸入表和文本查詢進(jìn)行推理，生成命令序列和文本回復(fù)。糾錯后執(zhí)行命令，提供操作表和回復(fù)。流程簡化提高查詢效率，增強(qiáng)用戶體驗，簡化數(shù)據(jù)分析。
圖12 TableGPT框架結(jié)構(gòu)
6.2 表的全局表示
大型語言模型（LLM）已實現(xiàn)與視覺、音頻等多種模式的交互，但與表格數(shù)據(jù)接口的探索仍受限。如何讓LLM理解和解釋表格數(shù)據(jù)至關(guān)重要。現(xiàn)有方法僅提取部分信息，忽略了數(shù)據(jù)中固有的全球信息和行業(yè)背景。對于表格，需要將整個表格嵌入到一個向量中，而不是生成樣本嵌入。這具有挑戰(zhàn)性，因為表數(shù)據(jù)是高度抽象的結(jié)構(gòu)化數(shù)據(jù)類型，具有雙排列不變性結(jié)構(gòu)。此外，不同領(lǐng)域的表的大小和格式各不相同，使得使用統(tǒng)一的神經(jīng)網(wǎng)絡(luò)架構(gòu)從不同的表中提取特征變得具有挑戰(zhàn)性。
我們提出了一種級聯(lián)表編碼器，用于從表格中提取全局表示，以便LLM實現(xiàn)全面的表格理解。該編碼器聯(lián)合從元數(shù)據(jù)和整個數(shù)字條目中提取知識，將表數(shù)據(jù)中的信息分為兩個主要部分。第一部分學(xué)習(xí)表的元數(shù)據(jù)表示，第二部分學(xué)習(xí)表格的數(shù)字信息表示。我們使用修改后的集合變壓器作為表編碼器的骨干，并通過注意力機(jī)制對其進(jìn)行了增強(qiáng)。該編碼器在一萬個表數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練，學(xué)習(xí)到的表表示不僅可以用于表理解，還可以增強(qiáng)下游分類器的預(yù)測性能。
6.3 指揮鏈
我們提出了一種通過預(yù)先打包的函數(shù)命令來增強(qiáng)大型語言模型（LLM）在表格操作中的多跳推理能力的方法。與Text2SQL生成的SQL語句相比，這些命令序列更容易被后端解析系統(tǒng)檢查和定位錯誤。我們引入了指揮鏈（CoC）的概念，通過提供與中間步驟相關(guān)的分步指令來增強(qiáng)思維鏈方法。指揮鏈的目的是在操作表數(shù)據(jù)時增強(qiáng)LLM的推理能力和魯棒性，涉及將用戶輸入轉(zhuǎn)換為一系列中間命令操作，使LLM能夠更準(zhǔn)確、更高效地操縱表。為了提高性能和穩(wěn)定性，我們構(gòu)建了一個包含大量命令鏈指令的數(shù)據(jù)集，同時微調(diào)LLM以適應(yīng)命令，并采用上下文學(xué)習(xí)為命令鏈序列中的多個步驟提供提示。指揮鏈方法有三個主要優(yōu)點(diǎn)：增強(qiáng)LLM對表操作的多跳推理能力，增強(qiáng)處理復(fù)雜多表交互的能力，以及拒絕過于模糊的指令并要求用戶提供更具體的意圖。這種方法使LLM能夠更好地處理邊緣情況和意外情況，使其成為現(xiàn)實世界應(yīng)用中有前景的方法。
6.4 域數(shù)據(jù)處理管道
我們開發(fā)了一種高效的領(lǐng)域數(shù)據(jù)處理管道，以解決大型語言模型在處理特定行業(yè)細(xì)微語言風(fēng)格和邏輯方面的不足。該管道利用主動學(xué)習(xí)，從領(lǐng)域數(shù)據(jù)中精心挑選微調(diào)示例，以更少的示例數(shù)量實現(xiàn)卓越的微調(diào)結(jié)果，從而加速模型學(xué)習(xí)過程。此外，我們增強(qiáng)了LLM的文件檢索功能，通過矢量數(shù)據(jù)庫和LangChain等技術(shù)，從大量專有文件中檢索相關(guān)信息，進(jìn)一步豐富LLM學(xué)習(xí)的背景。該管道有助于LLM快速且經(jīng)濟(jì)高效地適應(yīng)各種特定行業(yè)的數(shù)據(jù)需求，解決行業(yè)特定語言風(fēng)格和邏輯的挑戰(zhàn)，并整合自然語言、表和命令領(lǐng)域。
7 評價
7.1 Table-GPT支持的命令
Table-GPT支持豐富的命令，實現(xiàn)與表格的自然語言交互，可查詢、過濾、排序和匯總數(shù)據(jù)，增強(qiáng)數(shù)據(jù)可視化和報告生成，促進(jìn)自動化決策過程，使用戶能進(jìn)行預(yù)測、預(yù)測趨勢和估計結(jié)果。當(dāng)用戶意圖模糊時，Table-GPT會要求提供更詳細(xì)意圖，而非僵化的命令翻譯器。
7.2 與之前使用命令的LLM的比較
一些現(xiàn)有方案將表格和語言模型結(jié)合，如ChatExcel、SheetCopilot和Data-Copilot，這些通常依賴提示調(diào)用預(yù)定義外部命令的LLM推理API，如OpenAI API2。Table-GPT則采用獨(dú)特方法，專門針對與表相關(guān)的任務(wù)微調(diào)LLM，從而突顯LLM架構(gòu)的能力。詳見表7對TableGPT與先前使用命令的LLM的比較。
表7 與之前使用命令的LLM進(jìn)行表格數(shù)據(jù)的比較
7.3 案例研究
圖13-19為Table-GPT示例：
圖13
圖14
圖15
圖16
圖17
圖18
圖19
8 結(jié)論
Table-GPT，是一個專為表分析而設(shè)計的大型語言模型，統(tǒng)一了表、自然語言和命令。它具有回答問題、操作數(shù)據(jù)、可視化信息、生成分析報告和進(jìn)行預(yù)測等多種功能。從技術(shù)上講，Table-GPT解決了開發(fā)自然語言驅(qū)動的表數(shù)據(jù)處理框架的幾個主要挑戰(zhàn)，包括全面的表理解、指令鏈生成和特定領(lǐng)域的微調(diào)。我們相信Table-GPT有潛力重塑表格數(shù)據(jù)處理的格局，加速表格數(shù)據(jù)建模和探索性數(shù)據(jù)分析（EDA）的效率，并為金融、交通、科學(xué)研究等各個領(lǐng)域賦能。
參考資料：
1. 《Table-GPT: Table-tuned GPT for Diverse Table Tasks》
2. 《TableGPT: Towards Unifying Tables, Nature Language and Commands into One GPT》
編輯：黃繼彥