論文の概要: Rethinking Stepwise Model Routing: A Cost-Efficient Table Reasoning Perspective

• arxiv url: http://arxiv.org/abs/2605.29319v1
• Date: Thu, 28 May 2026 03:49:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:55.649105
• Title: Rethinking Stepwise Model Routing: A Cost-Efficient Table Reasoning Perspective
• Title（参考訳）: ステップワイズモデルルーティングを再考する - コスト効率の良いテーブル推論の視点から
• Authors: Shenghao Ye, Yuxiang Wang, Yu Guo, Dong Jin, Shuangwu Chen, Jian Yang,
• Abstract要約: 本稿では,効率的なテーブル推論のためのテーブル対応段階的ルーティングフレームワークであるEcoTabを提案する。 EcoTabは高いベースラインを一貫して上回り、精度と効率のバランスが良くなることを示す。
• 参考スコア（独自算出の注目度）: 33.0289348093468
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Reasoning Models (LRMs) achieve strong performance on table reasoning tasks but incur substantial inference cost due to long reasoning traces. Stepwise model routing mitigates this issue by dynamically assigning reasoning steps to smaller or larger models. However, stepwise model routing for table reasoning remains underexplored. Through empirical analysis, we find that reasoning steps involving tables contain two types of tokens with distinct uncertainty distributions: table tokens grounded in table structure, such as cell values and headers, and text tokens representing surrounding natural-language reasoning. The uncertainty of both token types is correlated with the risk that the model makes an error in the next reasoning step. However, existing methods fail to model them separately, leading to suboptimal routing decisions. To address this, we propose EcoTab, a table-aware stepwise routing framework for efficient table reasoning. At each reasoning step, EcoTab separately estimates the uncertainties of table tokens and text tokens, maps them to next-step failure risks for the small model, and combines the two risks for routing. Experiments on multiple table reasoning benchmarks show that EcoTab consistently outperforms strong baselines and achieves a better balance between accuracy and efficiency.
• Abstract（参考訳）: 大規模推論モデル(LRM)は、テーブル推論タスクにおいて高い性能を達成するが、長い推論トレースのためにかなりの推論コストを発生させる。 ステップワイズモデルルーティングは、より小さなモデルや大きなモデルに推論ステップを動的に割り当てることでこの問題を軽減する。 しかし、テーブル推論のためのステップワイズモデルルーティングは未検討のままである。 実験分析により,テーブルを含む推論ステップには,セル値やヘッダなどのテーブル構造を基盤としたテーブルトークンと,周囲の自然言語推論を表すテキストトークンの2種類の不確実性分布が存在することがわかった。 両方のトークンタイプの不確実性は、モデルが次の推論ステップでエラーを起こすリスクと相関している。 しかし、既存の手法はそれらを個別にモデル化することができず、最適でないルーティング決定に繋がる。 そこで本稿では,効率的なテーブル推論のためのテーブル対応段階的ルーティングフレームワークであるEcoTabを提案する。 各推論ステップにおいて、EcoTabはテーブルトークンとテキストトークンの不確実性を別々に推定し、それらを小さなモデルの次のステップの障害リスクにマップし、ルーティングの2つのリスクを組み合わせる。 複数のテーブル推論ベンチマークの実験によると、EcoTabは強いベースラインを一貫して上回り、精度と効率のバランスが良くなる。

関連論文リスト

• TopBench: A Benchmark for Implicit Prediction and Reasoning over Tabular Question Answering [80.93487993878836]
  現実世界のクエリの一般的なクラスは暗黙的に予測され、単に検索するのではなく、歴史的パターンから観測されていない回答を推測する必要がある。 これらのクエリには、潜在意図を認識することと、大規模テーブル上での信頼性の高い予測推論という2つの課題がある。 単点予測から意思決定,処理効果分析,複雑な推論に至るまで,4つのサブタスクにわたる779のサンプルからなるベンチマークであるTopBenchを紹介する。
  論文  参考訳（メタデータ） (2026-04-30T16:22:51Z)
• TABQAWORLD: Optimizing Multimodal Reasoning for Multi-Turn Table Question Answering [16.794111749114766]
  TABQAWORLDはテーブル推論フレームワークで、表現と推定を通じてアクションを共同で最適化する。 ベースラインよりも4.87%の精度向上を実現し、5.42%の精度向上と33.35%の推論遅延削減を実現している。
  論文  参考訳（メタデータ） (2026-04-03T18:52:11Z)
• Multimodal Tabular Reasoning with Privileged Structured Information [67.40011423365712]
  ブリッジインfOrmation (sc Turbo) を用いたタブウラー推論(TabUlar Reasoning)について紹介する。 sc TurboはDeepSeek-R1をベースにした構造対応の推論トレースジェネレータの恩恵を受ける。 sc Turboは、複数のデータセットで最先端のパフォーマンス(+7.2%対以前のSOTA)を達成する。
  論文  参考訳（メタデータ） (2025-06-04T15:46:30Z)
• The Mighty ToRR: A Benchmark for Table Reasoning and Robustness [45.420943398134845]
  ToRRはテーブル推論とロバストネスのベンチマークであり、テーブル関連のタスクにおけるモデル性能とロバストネスを測定している。 本稿では,ToRR上での先行モデルの結果を総合的に分析するとともに,リーダーボードを提案する。
  論文  参考訳（メタデータ） (2025-02-26T18:56:38Z)
• Chain-of-Table: Evolving Tables in the Reasoning Chain for Table Understanding [79.9461269253121]
  そこで我々は、中間思考のプロキシとして、図表データを推論チェーンで明示的に使用するChain-of-Tableフレームワークを提案する。 Chain-of-TableはWikiTQ、FeTaQA、TabFactベンチマークで最新のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2024-01-09T07:46:26Z)
• TAP4LLM: Table Provider on Sampling, Augmenting, and Packing Semi-structured Data for Large Language Model Reasoning [55.33939289989238]
  テーブルベースタスクにおいて,大規模言語モデル(LLM)を効果的に活用するための汎用プリプロセッサスイートとして,TAP4LLMを提案する。 1)大きなテーブルをクエリセマンティクスに基づいて管理可能なサブテーブルに分解するテーブルサンプリング、(2)外部ソースやモデルから追加の知識でテーブルを拡張するテーブル拡張、(3)テーブルパッキングとシリアライゼーションによりテーブルをLLMの理解に適したさまざまなフォーマットに変換する。
  論文  参考訳（メタデータ） (2023-12-14T15:37:04Z)
• Large Language Models are Versatile Decomposers: Decompose Evidence and Questions for Table-based Reasoning [45.013230888670435]
  大規模言語モデル(LLM)を効率的なテーブルベースの推論のためのデコンパイラとして活用する。 巨大な証拠(巨大な表)をサブエビデンス(小さな表)に分解し、無駄な情報の干渉を軽減する。 我々は,思考連鎖のジレンマを軽減するために,「パーシング・エグゼクティオン・フィリング」戦略を提案する。
  論文  参考訳（メタデータ） (2023-01-31T17:51:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。