单轮把整张表拍平成文本，既可能撑爆上下文，也算不准连续数值；固定的 plan-then-execute 工作流又不会读报错、改计划。 TableMind 让模型自己在多轮循环里写 Python、执行、看观察、再反思，并用一套排序感知的优势加权，把「自信」与「答对」对齐。
单轮范式把整张表压进一次前向。论文列了三条结构性硬伤：大表上下文溢出、对连续数值不敏感、缺少显式的工具调用与反思（§1）。
已有的两条路都不解决「边做边改」：training-free 工作流（PoTable、Chain-of-Table）把计划与执行拆成固定流程，缺少动态纠错，还要多次调用外部模型；tuning-based 表格模型（TableLlama、TableGPT2、Table-R1）会模仿或做 RL，但没有把自主多轮工具调用训进轻量模型（§2、§3.2）。
TableMind 的办法是两段训练：先用教师模型的多轮正确轨迹做 SFT 热启动，再用多视角奖励加 RAPO 做 RFT。推理时模型自己 plan → 写代码 → 执行 → 看观察 → reflect，最多 3 轮（§4.5 定义循环；上限 3 见 §5.1.3）。
论文报告的结果是五个基准都取得该列最高分；但增益并不均匀——TabFact 的相对增益最高，FinQA 的绝对分仍只有 42.02，单表与短循环是它明确的边界。
论文把失败模式归到同一个范式：把表格拍平成文本，一次前向直接给答案。
表格推理同时要求两类能力：理解表头、单元格与查询之间的语义关系，以及对数字做精确运算。单轮范式把整张表序列化进上下文，让模型在一次生成里完成理解、筛选、计算和作答——这三类错误会叠在同一次输出里。
宽表或长表被拍平后超出上下文窗口，模型只能对不完整信息推理。论文的原话是「vulnerable to context overflow for large tables」（§1）。
数字被当作普通 token，算术、比较、聚合都容易出错。论文称 LLM「inherently insensitive to continuous numerical values」（§1）。
缺少显式的代码生成、执行与回读错误的机制。模型只能靠内部推理「硬算」，算错了也没有外部信号把它拉回来（§1）。
论文的对照是人类分析师的做法：先分析查询并拆成子任务，定位相关行列，执行显式数值操作，检查中间结果，最后给出经过验证的答案（§1，Figure 1 左）。关键差别不是「想得更久」，而是有外部动作，并对动作结果反复校验。
于是任务被形式化成一个结构化决策过程：给定表 T 和查询 Q，学习一个策略 π，生成中间步骤序列 {sk}，每个步骤可以包含代码生成、执行和基于反馈的修正，最终由聚合或终止函数给出答案（§3.1）。这为后面的多轮循环定下了目标。
一边把计划外包给固定流程，一边把行为压进静态轨迹；两者都没有回答「执行出错之后怎么办」。
Tab-CoT 让模型生成一张「推理表」；PoTable 先计划再执行；Chain-of-Table 每步更新表格，把表本身当作推理状态（§2.1）。
强项：把计算从语言模型里拿出来交给外部工具，减少算术错误。Table 2 里 PoTable 在 TabFact 拿到 88.93、Chain-of-Table 拿到 87.78，都高于纯文本推理的 Tab-CoT 79.05（§5.2）。
盲区：流程预定义，遇到代码报错或中间结果不符预期时不能动态改计划；多次 LLM 调用与外部执行环境带来开销，还要把表数据暴露给外部模型（§1）。
TableLlama 在 TableInstruct 上微调 Llama 2；TableGPT2 加语义表编码器；Table-R1 用可验证奖励做 RL（§5.1.2）。
强项：把表格能力写进参数，推理时不必走一条很长的外部工作流。
盲区：SFT 路线在模仿静态推理路径（§5.2 原话）；RL 路线里 Table-R1 用的是 rule-based RL（§2.1），论文没有把它列为多轮工具调用方案。Table-R1 在 WikiTQ 74.86、FinQA 41.27，仍是强基线。
论文把研究空白定义得很窄：「the absence of systems that combine autonomous tool invocation and reflection with lightweight, accessible models」（§3.2）。也就是说，缺的不是工具，也不是 RL，而是把两者放进同一个轻量模型，让它自己决定何时调用、出错后怎么改。
这个定位也解释了 TableMind 的选择：把多轮交互行为训练进 Qwen3-8B 的参数里，而不是在推理时依赖一条外部工作流（§5.1.3）。
推理循环给出行为骨架；三项奖励和 RAPO 决定模型往哪个方向学。
§4.5 把一次迭代拆成四步：模型先结合查询与当前状态制定下一步策略；再生成可执行的 Python 代码；代码在解释器里安全执行并返回输出；输出作为 observation 回给模型，模型据此反思——进度到哪、结果对不对、是继续还是收尾。循环在模型判定已解决或达到最大轮数时停止，最后综合所有中间信息给出答案。
格式奖励与答案奖励都是二值的：格式合法给 1，答案匹配给 1，否则为 0。问答任务用 exact match 判答案，事实核查任务用 label accuracy（§4.4.1）。
第三项是工具奖励，带一个「隐式课程」：
s 是全局训练步数。e−ρs 随训练衰减：早期放大工具探索的收益，后期把注意力转向效率；Nturns 的平方惩罚让冗长的工具链越来越贵。总奖励是三项之和（§4.4.1）。
RAPO 建在 GRPO 上，改了三处工程做法：去掉 KL 约束、用 token 级策略梯度损失、用 clip-higher 防熵塌（§4.4.2）。目标函数沿用 PPO 式截断，但优势项换成了下面这个：
组内标准化优势仍是 (Ri − mean)/std，但前面乘了一个 γi：
γ 的来源是配对比较。同一组里，奖励更高的轨迹记为 winner（ow），更低的记为 loser（ol）；如果 winner 的序列对数概率反而更低——也就是模型更「自信」地选了错的那条——这对样本被判为错位，γ 抬到 1+α：
把 Eq. 6 与 Eq. 7 合起来看：正优势乘上 γ 会更大，负优势乘上 γ 会更负。论文只给了配对级 γw,l；Eq. 6 里的 γi 如何由配对聚合，原文没有说明。下面的模拟用一条页面自定规则补齐，并在折叠块里逐条标出覆盖与未覆盖的分支。
示例轨迹组为页面构造，不是论文数据；α 的 0.50 是页面默认值，论文正文没有给出 α 取值。论文的实际组大小 G=8（§5.1.3）；这里缩到 4 条，只为让配对关系看得清。
四条示例轨迹：A（R=1, logP=−0.90）、B（R=1, logP=−0.10）、C（R=0, logP=−0.20）、D（R=0, logP=−1.00）。
均值与标准差：奖励 [1, 1, 0, 0]，均值 = 0.5；本模拟取总体标准差（÷N，N=4），标准差 = 0.5。标准化优势 = (R − 0.5) / 0.5 = [+1, +1, −1, −1]。论文 Eq. 6 未说明 std 用 ÷N 还是 ÷(N−1)。
错位配对：逐对比较奖励高者（winner）与奖励低者（loser）。只有 A 与 C 满足 logP(A) = −0.90 < logP(C) = −0.20，因此 A、C 被标记为错位；B 与 C、A 与 D、B 与 D 都不满足指示函数。
α = 0.50：γA = γC = 1.50，γB = γD = 1.00；A′ = [1.50, 1.00, −1.50, −1.00]。
α = 1.00：γA = γC = 2.00，γB = γD = 1.00；A′ = [2.00, 1.00, −2.00, −1.00]。
覆盖：Eq. 6 的组内标准化优势（本页用总体 std）、Eq. 7 的配对指示函数与 γw,l。未覆盖：Eq. 4 的 token 级截断目标、去 KL、clip-higher、实际组采样（G=8）。γi 的聚合规则是页面自定的：轨迹只要参与任一错位配对，就取 γi = 1+α；原文没有给出这条规则。
先把循环的语法教会，再让模型在奖励里自己试错；论文的多数提升发生在第二阶段推断（依据：Table 2 的最终分数相对 SFT-only 的差距主要来自 RFT，但原文没有做逐阶段归因消融）。
数据不是人工写的。论文让一个「expert model」生成计划与第一条可执行动作，在本地环境执行，把输出或报错作为 observation 回传，模型据此反思、改计划、再生成下一条动作；循环到任务完成。随后逐条比对最终答案与标准答案，只保留答对的轨迹（§4.3.1）。
这些轨迹用于 SFT：论文在 §5.1.3 写的是 200 条合成样本、学习率 1×10−6、训练 1 个 epoch，两阶段都在 4 卡 A800 上完成。SFT 的作用是让模型掌握 plan–action–reflect 的输出格式与代码语法，给 RFT 一个可用的初始策略（§4.3.2）。
论文自己给 SFT 泼了冷水：SFT 学到的推理「primarily reflects pattern memorization from the training data and exhibits limited generalization to out-of-distribution tasks」，因此把这段能力称为「non-generalizable memory」（§4.3.2）。数字上也看得到——Table 3 里最优的 SFT-only checkpoint 在 WikiTQ 只有 55.40，而 Table 2 的最终模型是 76.82，相差 21.42 个百分点（相对提升 38.7%，21.42/55.40）。这是跨 Table 3 与 Table 2 的比较，不是同一张表的消融行。
| Epoch | Sample Size | WikiTQ | TabMWP | TabFact |
|---|---|---|---|---|
| 1 | 100 | 52.52 | 62.49 | 70.16 |
| 150 | 53.65 | 62.63 | 71.32 | |
| 200 | 55.40 | 68.42 | 77.15 | |
| 2 | 100 | 50.12 | 60.62 | 70.12 |
| 150 | 50.42 | 61.48 | 70.29 | |
| 200 | 51.69 | 62.28 | 73.62 |
同一数据量下，训 2 个 epoch 反而更差：200 条样本时 WikiTQ 从 55.40 掉到 51.69（低 3.71 个百分点），论文归因于小数据上的过拟合（§5.3.1）。
Table 1 记训练集 TabFact 3,500 / TabMWP 3,500 / WTQ 1,000；§5.1.3 又写 SFT 阶段只训 200 synthetic samples，Table 3 也按 100 / 150 / 200 扫参。200 是子采样、还是每个任务的样本数，原文没有说明。两处按原位置并列，本页不替它选一个。
RFT 用 Agent-R1 框架实现，生成侧用 vLLM。关键设置：组大小 G=8、batch size 128、学习率 1×10−6、策略温度 1、每条 prompt 最多 3 个 tool-calling turns、每轮最长 2048 tokens（§5.1.3）。
下面这个计算器只算 Eq. 3 的 Rtool 一项，不含 Rformat 与 Racc。拖动训练步 s 与工具轮数 Nturns，可以看衰减包络与二次惩罚怎么相互作用。
常量逐字取自 §5.1.3：ρ=0.05、β=0.5、C=0.01。s 的 0–120 范围对应 Figure 5 讨论的 120 步训练窗口。
公式：R_tool = e^(−0.05s) × (0.5·I_success − 0.01·N²)。
组 1：s=0、N=3、成功。e0 = 1.0000；0.5×1 = 0.50；0.01×9 = 0.09；R_tool = 1.0000 × (0.50 − 0.09) = 0.4100。
组 2：s=40、N=3、失败。e−2 = 0.1353；0.5×0 = 0；0.01×9 = 0.09；R_tool = 0.1353 × (0 − 0.09) = −0.0122。
覆盖：Eq. 3 的整式与 §5.1.3 的三个常量。未覆盖：Rformat、Racc、总奖励求和，以及 agent 实际执行环境。计算器按 4 位小数显示。
Figure 3(c) 比较 Instruct 模型与 base 模型：Instruct 起点更高，整个训练过程保持优势，收敛到更高的奖励平台。Figure 3(d) 把同一套流程套到 Qwen3 的 1.7B / 4B / 8B 三个规模，奖励随规模单调上升；主实验用 8B（§5.4）。
左边是推理时的 plan–action–reflect；右边是从教师轨迹到 RAPO 的训练流水线。
覆盖的分支：推理侧的 plan → action → 执行 → observation → reflect 回环，以及「未完成则继续、完成则给答案」这两个出口；训练侧的教师轨迹采集、按最终答案过滤、SFT、RFT + RAPO、部署。
未覆盖的分支：提示模板的具体块结构（§4.2 只说明有 Instruction 与 Table Task 两块，未给全文）；沙箱的具体实现与安全边界；教师模型的身份（§4.3.1 只写「expert model」，未标注名称与规模）；RFT 内部的奖励计算与采样细节。
图中的「最多 3 轮」来自 §5.1.3 的 max tool-calling turns=3；「200 条 / 1 epoch」来自同节的 SFT 设置；「G=8」来自同节。它们不是从 Figure 2 的图像里读出来的。
先看每一列的次优是谁，再看 Table 4 的轮次与温度；表间的三处口径差异单独并列。
| 模型 | In-domain | Out-of-domain | |||
|---|---|---|---|---|---|
| WikiTQ | TabMWP | TabFact | HiTab | FinQA | |
| Open-source | |||||
| Qwen2.5-72B-Instruct | 68.56 | 97.45 | 87.34 | 68.02 | 35.83 |
| DeepSeek-R1 | 74.63 | 98.03 | 86.25 | 70.37 | 37.42 |
| Training-free | |||||
| Tab-CoT | 60.43 | 92.21 | 79.05 | 60.64 | 27.81 |
| PoTable | 69.56 | 95.76 | 88.93 | 61.96 | 24.93 |
| Chain-of-Table | 68.31 | 96.17 | 87.78 | 64.76 | 29.47 |
| Tuning-based | |||||
| TableLlama-7B | 53.32 | 83.88 | 82.53 | 58.73 | 15.73 |
| TableGPT2-7B | 62.46 | 80.43 | 78.87 | 65.42 | 17.69 |
| Table-R1 | 74.86 | 96.02 | 87.17 | 69.24 | 41.27 |
| TableMind | 76.82 | 99.27 | 91.85 | 71.95 | 42.02 |
| 相对提升（%） | +2.61 | +1.26 | +3.28 | +2.24 | +1.82 |
读这张表最容易犯的一个错，是以为「相对提升」都对同一个基线算。原表每一列的次优不同：
原表的相对提升列有两处是截断值：WikiTQ 记 2.61（按表中值复算 1.96/74.86 = 2.62）、HiTab 记 2.24（1.58/70.37 = 2.25）。差异来自舍入方式，本页按原表引用，不代改。
因此「五个基准都第一」是真的，但增益最大的那格是 TabFact，不是参数量最大的对比；FinQA 的绝对分 42.02 也说明专家级财务推理仍有一半以上问题没有 exact match 命中。交叉表和单列冠军要分开看。
| Hyperparameter | Value | WikiTQ | TabMWP | TabFact |
|---|---|---|---|---|
| Max Turns | 1 | 0.7435 | 0.9723 | 0.8983 |
| 3 | 0.7682 | 0.9903 | 0.9233 | |
| 5 | 0.7565 | 0.9856 | 0.9055 | |
| Temperature | 0.6 | 0.7335 | 0.9658 | 0.8843 |
| 0.8 | 0.7551 | 0.9884 | 0.9125 | |
| 1 | 0.7682 | 0.9903 | 0.9233 |
论文的读法：最大轮次从 1 提到 3，三个数据集都变好——单轮不足以完成多步推理；从 3 提到 5 则轻微回落，论文把原因写成「excessive turns can increase the risk of error propagation or the generation of redundant, unhelpful steps」（§5.6）。温度在 0.6–1 的测试范围内与性能正相关，1 最好。
Figure 5 左：前 40 步是探索期，工具调用比例来回波动；41–70 步快速上升；71–120 步收敛到接近 100%。Figure 5 右：代码执行通过率从 SFT 后的约 60% 稳步升到接近 90%（§5.5）。Figure 5 的曲线没有逐点数值，本节只转述正文给出的近似值，未转录图内数据。
本页不替原文选一个口径；引用时按所在表格/章节原样标注。
Figure 4 报告去掉 SFT、去掉 RFT、去掉 Rtool、去掉 RAPO 后的性能下降，但正文只给方向性描述，没有给出逐柱数值；因此本节未转录 Figure 4 的具体数值。可核对的原句包括：去掉 Rtool 后「the agent tended to generate less efficient and often erroneous reasoning chains」（§5.3.3）；去掉 RAPO 后 WikiTQ 的 exact match 与 TabFact 的 accuracy 都下降（§5.3.4）。
论文自己把多表推理、更丰富的工具生态和样本效率留给了未来；数据也显示绝对分仍有天花板。
结论明确写「While TableMind focuses on single-table scenarios, extending it to multi-table reasoning, richer tool ecosystems, and improving the sample efficiency of reinforcement fine-tuning remain important directions for future research」（§6）。
轮次上，Table 4 只比较了 1 / 3 / 5，3 最好、5 回落；超过 5 轮没有测。§5.6 把 5 轮的回落归因于错误传播与冗余步骤——这说明「多轮」不是越多越好，但没有给出长程任务的上限。
FinQA 的 42.02 只比 Table-R1 的 41.27 高 0.75 个百分点；HiTab 的 71.95 也只比 DeepSeek-R1 的 70.37 高 1.58 个百分点。相对提升 1.82% 与 2.24% 看着不小，但绝对空间仍大——专家级财务推理与层级表统计问答远未解决（Table 2）。
论文没有报告推理延迟、token 成本或每次查询的 API 费用；训练侧只给了 4 卡 A800。对「AI 数据分析师」这类成本敏感场景，这部分是空白。
§4.3.1 只写从「expert model」蒸馏轨迹，没有给教师模型的名称、规模或版本；§5.1.3 列了 ρ、C、β、G，却没有给 RAPO 的 α 取值，正文也没有 α 的敏感性分析。复现时要自己猜 α。
SFT 数据只保留最终答对的轨迹（§4.3.1）。但轨迹内部并不排除失败步骤：§4.3.1 明说把 expert model 的输出或报错作为 observation 回传，模型据此反思、改计划，所以报错与恢复可以出现在一条最终答对的轨迹里。被过滤掉的是「最终答错」的整条轨迹，不是中间步骤。失败后的恢复行为有多少来自 SFT、多少来自 RFT 的在线探索，原文没有拆分。
一句话总结：TableMind 解决的是「单表上的短循环，怎么让小模型自己写代码并纠错」，不是「任意表格上的通用数据分析」。多表推理、更丰富的工具生态、提升强化微调的样本效率，论文在结论里都列为 future work（§6）；「长程规划」是本页对多轮循环的延伸说法，不是 §6 原文列出的条目。