Este artículo destaca las limitaciones de los métodos existentes que utilizan diversos formatos de salida (p. ej., texto, consultas SQL, código Python) para resolver problemas complejos de inferencia en TableQA (Respuesta a Preguntas de Tabla) mediante Modelos de Lenguaje a Gran Escala (LLM). Para abordar las debilidades de los métodos existentes en tipos de preguntas o estructuras de tabla específicos, este artículo propone aprovechar las fórmulas de hojas de cálculo como representaciones ejecutables para TableQA. Para lograrlo, construimos FormulaQA, un conjunto de datos TableQA a gran escala con anotaciones de fórmulas basado en conjuntos de datos existentes, y proponemos TabAF, un marco general de TableQA que decodifica simultáneamente respuestas y fórmulas con una única estructura LLM. Los resultados experimentales demuestran que TabAF alcanza un rendimiento de vanguardia con el mismo tamaño de modelo en los conjuntos de datos WikiTableQuestion, HiTab y TabFact.
