ST-Raptor 是什么？让大模型读懂复杂表格的问答系统
TL;DRST-Raptor 是上海交通大学等在 2025 年 8 月提出的半结构化表格问答框架，用分层正交树表示多级表头、合并单元格等复杂布局，再定义一组树操作指导大模型完成表格问答。
ST-Raptor 是一个用大模型回答半结构化表格问题的框架，由上海交通大学等高校的研究人员在 2025 年 8 月提出，论文标题是《ST-Raptor：大模型驱动的半结构化表格问答》。
什么是半结构化表格
现实中的表格往往不是数据库里那种规整的行列表。财务报告、医疗记录、交易订单里的表格，常常有灵活复杂的布局：多级表头（一个大标题下面分好几个小标题）、合并的单元格、表格中嵌套表格、一部分是表格一部分是说明文字。这类表格被称为半结构化表格。人类分析员可以看懂它们，但要靠人工逐个解读布局、回答问题，既昂贵又低效。
现有方法的困难
论文指出，自动化这一过程面临明显的挑战。像 NL2SQL（文本转 SQL）这类方法，需要先把半结构化表格转换成规整的结构化表格才能查询，这个转换过程往往会丢失信息、引入错误。直接把表格丢给大模型也不可靠，模型很难准确理解复杂的层级关系，比如某个数字到底对应哪一级的表头。
ST-Raptor 的做法
研究人员引入了一种分层正交树（HO-Tree）的数据结构，来捕捉复杂的半结构化表格布局：把表头的层级关系和数据之间的对应关系，用树的形式清楚地表示出来，横向和纵向两个方向的层级各用一棵树表示。然后，他们定义了一套基本的树操作，比如沿着树查找某个表头下的所有数据、比较、计算等，用来指导大模型执行常见的问答任务。
给定一个用户问题，ST-Raptor 会把它分解成若干个子问题，为每个子问题生成对应的树操作序列，依次执行，最后得出答案。为了保证可靠，它还有验证机制，检查操作的结果是否合理，必要时进行修正。
效果
研究团队构建了一个包含真实世界复杂表格的评测数据集，结果显示 ST-Raptor 的回答准确率明显高于多种基线方法。对于需要处理大量财报、报表的金融、审计、医疗等行业，这类方法能显著减少人工阅读复杂表格的工作量。