الاستدلال القائم على الجداول باستخدام نماذج اللغات الكبيرة (LLMs) هو اتجاه واعد لمعالجة العديد من مهام فهم الجداول، مثل الإجابة على الأسئلة القائمة على الجداول والتحقق من الحقائق. بالمقارنة مع الاستدلال العام، يتطلب الاستدلال القائم على الجداول استخراج الدلالة الكامنة من الأسئلة الحرة والبيانات التبويبية شبه المهيكلة. تدمج طرق Chain-of-Thought وأساليب مشابهة سلسلة الاستدلال في شكل سياق نصي، ولكن لا يزال السؤال مفتوحًا حول كيفية الاستفادة الفعالة من البيانات التبويبية في سلسلة الاستدلال. نقترح إطار Chain-of-Table، حيث يتم استخدام البيانات التبويبية بشكل صريح في سلسلة الاستدلال كوسيلة للتفكير الوسيط. بصفة خاصة، نوجه نماذج اللغات الكبيرة باستخدام التعلم السياقي لتوليد العمليات بشكل متكرر وتحديث الجدول لتمثيل سلسلة استدلال تبويبية. يمكن لنماذج اللغات الكبيرة بالتالي التخطيط الديناميكي للعملية التالية بناءً على نتائج العمليات السابقة. هذا التطوير المستمر للجدول يشكل سلسلة، تظهر عملية الاستدلال لمشكلة تبويبية معينة. تحمل السلسلة معلومات هيكلية عن النتائج الوسيطة، مما يمكّن من التنبؤ بدقة وأمان أكبر. حقق Chain-of-Table أداءً جديدًا رائدًا في مقاييس WikiTQ وFeTaQA وTabFact عبر خيارات متعددة لنماذج اللغات الكبيرة.