TABLET：用于鲁�视表格理解的大规模数据集
计算机视觉与模式识别
2026-02-13 v3 计算与语言
摘要
虽然表格理解越来越依赖像级方法，但当前基准主要使用合成渲染，缺乏真实世界表格的复杂性和视觉多样性。此外，现有的视觉表格理解（VTU）数据集提供的是固定示例，仅包含单个可视化和预定义指令，无法访问底层序列化数据进行重新表述。我们引入TABLET，一个规模庞大的VTU数据集，包含400万个示例，覆盖21个任务，基于200万个唯一表格，其中88%保留了原始可视化。为评估模型是否能够联合推理表格和视觉内容，我们还引入了VisualTableQA，一个需要视觉感知和表格理解的基准。对Qwen2.5-VL-7B和Gemma 3-4B等视觉语言模型在TABLET上进行微调，能在看见和未看见的VTU任务上提高性能，同时在真实世界表格可视化上提高鲁棒性。通过保留原始可视化并在统一的大规模集合中维护示例可追溯性，TABLET为鲁健的训练和可扩展的评估奠定了基础。
引用
@article{arxiv.2509.21205,
title = {TABLET: A Large-Scale Dataset for Robust Visual Table Understanding},
author = {Iñigo Alonso and Imanol Miranda and Eneko Agirre and Mirella Lapata},
journal= {arXiv preprint arXiv:2509.21205},
year = {2026}
}