Cet article met en évidence les limites des méthodes existantes utilisant divers formats de sortie (par exemple, texte, requêtes SQL, code Python) pour résoudre des problèmes d'inférence complexes dans TableQA (Table Question Answering) à l'aide de modèles de langage à grande échelle (LLM). Afin de remédier aux faiblesses des méthodes existantes pour des types de questions ou des structures de tableaux spécifiques, cet article propose d'exploiter des formules de tableur comme représentations exécutables pour TableQA. Pour y parvenir, nous construisons FormulaQA, un jeu de données TableQA à grande échelle annoté par des formules, basé sur des jeux de données existants, et proposons TabAF, un framework TableQA général qui décode simultanément les réponses et les formules avec une seule structure LLM. Les résultats expérimentaux démontrent que TabAF atteint des performances de pointe avec la même taille de modèle sur les jeux de données WikiTableQuestion, HiTab et TabFact.
