본 논문은 대규모 언어 모델(LLM)의 테이블 추론 과정에서 발생하는 일관성 유지 문제를 해결하기 위해 Table-Critic이라는 새로운 다중 에이전트 프레임워크를 제안한다. Table-Critic은 Judge, Critic, Refiner, Curator 네 가지 특수화된 에이전트로 구성되어 있으며, 에이전트 간 협업적 비판 및 반복적 수정을 통해 정확한 솔루션에 도달한다. 다양하고 예측 불가능한 오류 유형을 효과적으로 처리하기 위해 경험 기반 학습을 통해 비판 지식을 체계적으로 축적하고 미래의 수정 과정을 안내하는 자기 진화적 템플릿 트리를 도입하였다. 실험 결과, Table-Critic은 기존 방법보다 정확도와 오류 수정률이 향상되었으며, 계산 효율성과 솔루션 저하율도 낮은 것으로 나타났다.
