Tabellenbasiertes Schließen mit großen Sprachmodellen (LLMs) ist eine vielversprechende Richtung, um viele Tabellenverarbeitungsaufgaben zu bewältigen, wie z.B. tabellenbasierte Fragebeantwortung und Faktprüfung. Im Vergleich zum generischen Schließen erfordert tabellenbasiertes Schließen die Extraktion der zugrunde liegenden Semantik sowohl aus freiformulierten Fragen als auch aus halbstrukturierten tabellarischen Daten. Ansätze wie Chain-of-Thought und ähnliche Methoden integrieren die Schlusskette in Form von textuellem Kontext, jedoch bleibt die Frage offen, wie man tabellarische Daten effektiv in der Schlusskette nutzen kann. Wir schlagen den Chain-of-Table-Framework vor, bei dem tabellarische Daten explizit in der Schlusskette als Proxy für Zwischengedanken verwendet werden. Insbesondere führen wir LLMs durch kontextuelles Lernen an, um iterativ Operationen zu generieren und die Tabelle zu aktualisieren, um eine tabellenbasierte Schlusskette darzustellen. LLMs können somit auf Basis der Ergebnisse früherer Operationen dynamisch den nächsten Schritt planen. Diese kontinuierliche Evolution der Tabelle bildet eine Kette, die den Schlusssprozess für ein gegebenes tabellarisches Problem zeigt. Die Kette trägt strukturierte Informationen über die Zwischenergebnisse und ermöglicht daher präzisere und verlässlichere Vorhersagen. Chain-of-Table erreicht neue Standartwerte (state-of-the-art performance) auf den Benchmarks WikiTQ, FeTaQA und TabFact bei verschiedenen LLM-Auswahlmöglichkeiten.