💬 NLP

Language Model Representations for Efficient Few-Shot Tabular Classification

यह शोध पत्र TaRL को प्रस्तुत करता है, जो एक हल्का (lightweight) फ्यू-शॉट टैबुलर क्लासिफिकेशन फ्रेमवर्क है जो एम्बेडिंग सेंट्रिंग और टेम्परेचर कैलिब्रेशन के माध्यम से मौजूदा लार्ज लैंग्वेज मॉडल एम्बेडिंग्स की क्षमता को उजागर करता है, जिससे बिना किसी विशेष पुनरप्रशिक्षण (retraining) के कम डेटा वाले परिदृश्यों में अत्याधुनिक मॉडलों के तुलनीय प्रदर्शन प्राप्त होता है।

मूल लेखक: Inwon Kang, Parikshit Ram, Yi Zhou, Horst Samulowitz, Oshani Seneviratne

प्रकाशित 2026-02-19

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Inwon Kang, Parikshit Ram, Yi Zhou, Horst Samulowitz, Oshani Seneviratne

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ "Language Model Representations for Efficient Few-Shot Tabular Classification" (TaRL) पेपर का एक सरल भाषा में अनुवाद दिया गया है, जिसमें रचनात्मक उपमाओं (analogies) का उपयोग किया गया है।

बड़ी तस्वीर: "स्विस आर्मी नाइफ" बनाम "विशेष उपकरण"

कल्पना कीजिए कि आपके पास एक विशाल, सुपर-स्मार्ट रोबोट है (एक लार्ज लैंग्वेज मॉडल या LLM) जिसने इंटरनेट पर मौजूद लगभग हर किताब, वेबसाइट और लेख को पढ़ा है। यह मानवीय भाषा को समझने, कहानियाँ लिखने और सवालों के जवाब देने में अद्भुत है।

अब, कल्पना कीजिए कि आपके पास उत्पादों, वैज्ञानिक प्रयोगों या ग्राहकों के फॉर्म के बारे में डेटा से भरी एक स्प्रेडशीट (एक टेबल) है। आप इस डेटा को श्रेणियों में छाँटना चाहते हैं (जैसे, "क्या यह उत्पाद 'इलेक्ट्रॉनिक्स' है या 'कपड़े'?")।

समस्या:
पारंपरिक रूप से, इस स्प्रेडशीट को छाँटने के लिए, आपको एक नया, विशेष रूप से बनाया गया रोबोट बनाना होगा जो केवल स्प्रेडशीट पर प्रशिक्षित हो। इसमें बहुत समय, पैसा और कंप्यूटिंग शक्ति लगती है।
वैकल्पिक रूप से, आप अपने सुपर-स्मार्ट लैंग्वेज रोबोट को पूरी स्प्रेडशीट खिलाने की कोशिश कर सकते हैं। लेकिन स्प्रेडशीटات अव्यवस्थित होती हैं; यदि आप पूरे टेबल को रोबोट में पेस्ट करते हैं, तो वह अभिभूत (overwhelmed) हो जाता है, भ्रमित हो जाता है और इसे प्रोसेस करने में बहुत समय लेता है। यह एक कवि को पूरी गणितीय समीकरण एक साथ चिल्लाकर समझाने की कोशिश करने जैसा है।

प्रश्न:
क्या हम उस स्प्रेडशीट को छाँटने के लिए पहले से मौजूद भाषा रोबोट का ही उपयोग कर सकते हैं, बिना कोई नया मॉडल बनाए या रोबोट को ओवरलोड किए?

उत्तर:
हाँ! इस पेपर के लेखकों ने TaRL (Table Representation with Language Model) नामक एक विधि बनाई है। उन्होंने एक तरीका खोजा जिससे भाषा रोबोट कुशलतापूर्वक टेबल को समझ सके, लेकिन उन्हें यह करने के लिए दो विशिष्ट "ग्लिच" (खामियों) को ठीक करना पड़ा जो रोबोट डेटा को देखता है।

दो ग्लिच (और उनके समाधान)

शोधकर्ताओं ने पाया कि यदि आप भाषा रोबोट को केवल एक टेबल की एक पंक्ति (row) को देखने और श्रेणी का अनुमान लगाने के लिए कहते हैं, तो वह बहुत बुरा काम करता है। यह एक ऐसे जीनियस से पूछने जैसा है जो साहित्य के बारे में सब कुछ जानता है, कि वह केवल एक धुंधली फोटो देखकर एक विशिष्ट प्रकार का मशरूम पहचान ले। जीनियस स्मार्ट है, लेकिन फोटो गलत फॉर्मेट में है।

उन्होंने पाया कि रोबट के विफल होने के दो कारण थे और उन्होंने उन्हें ठीक किया:

1. "भीड़भाड़ वाला कमरा" समस्या (ज्यामितिक सुधार - Geometric Correction)

समस्या: कल्पना कीजिए कि रोबोट का दिमाग एक विशाल कमरा है जहाँ हर अवधारणा (concept) एक व्यक्ति है जो एक स्थान पर खड़ा है। एक लैंग्वेज मॉडल में, अधिकांश लोग (अवधारणाएं) कमरे के एक छोटे से कोने में भीड़ लगाकर खड़े होते हैं, सभी एक-दूसरे के बहुत करीब। इससे उन्हें अलग पहचानना मुश्किल हो जाता है। इसे एनिसोट्रॉपी (anisotropy) कहा जाता है।
समाधान (कॉमन कंपोनेंट रिमूवल): शोधकर्ताओं ने महसूस किया कि उस कोने में खड़ा हर व्यक्ति एक ही दीवार की ओर झुक रहा था। उन्होंने बस रोबोट को बताया: "उस दीवार को अनदेखा करें जिस पर हर कोई झुक रहा है।" गणितीय रूप से उस "साझा दिशा" (common direction) को हटाकर, डेटा बिंदु कमरे में फैल गए। अचानक, रोबोट "इलेक्ट्रॉनिक्स" और "कपड़े" के बीच के अंतर को स्पष्ट रूप से देख सकता है क्योंकि वे अब एक साथ दबे हुए नहीं हैं।

2. "वॉल्यूम नॉब" समस्या (तापमान अंशांकन - Temperature Calibration)

समस्या: जब रोबोट दो चीजों की तुलना करता है, तो वह उन्हें एक "समानता स्कोर" देता है। कभी-कभी, स्कोर बहुत करीब होते हैं (जैसे फुसफुसाहट), और कभी-कभी वे बहुत फैले हुए होते हैं (जैसे चिल्लाना)। यदि आप विजेता तय करने के लिए एक मानक नियम का उपयोग करते हैं, तो आप गलत हो सकते हैं क्योंकि डेटा का "वॉल्यूम" कार्य के आधार पर बदलता रहता है।
समाधान (टेम्परेचर कैलिब्रेशन): शोधकर्ताओं ने एक "वॉल्यूम नॉब" (जिसे टेम्परेचर कहा जाता है) जोड़ा।

यदि डेटा बहुत समान है, तो वे वॉल्यूम बढ़ा देते हैं (रोबोट को निकटतम मिलान के प्रति बहुत आश्वस्त बनाते हैं)।
यदि डेटा बहुत अलग है, तो वे वॉल्यूम कम कर देते हैं (रोबोट को अधिक विकल्पों पर विचार करने देते हैं)।
जादुई ट्रिक: उन्होंने केवल सही वॉल्यूम का अनुमान नहीं लगाया। उन्होंने एक छोटा, सुपर-फास्ट "कोच" (एक मेटा-लर्नर) प्रशिक्षित किया जो स्प्रेडशीट को देखता है और तुरंत जानता है कि उस विशिष्ट काम के लिए वॉल्यूम नॉब की सटीक सेटिंग क्या होनी चाहिए।

वास्तविक जीवन में यह कैसे काम करता है (उपमा)

भाषा मॉडल को एक विश्व-स्तरीय लाइब्रेरियन के रूप में सोचें जिसने दुनिया की हर किताब पढ़ी है।

पुराना तरीका (विशेष मॉडल): आप एक नया, महंगा लाइब्रेरियन किराए पर लेते हैं जो केवल किराने की सूची छाँटने को जानता है। आपको उन्हें हफ्तों तक प्रशिक्षित करना पड़ता है।
"नाइव" तरीका (डायरेक्ट प्रॉम्प्टिंग): आप विश्व-स्तरीय लाइब्रेरियन को एक अव्यवस्थित किराने की सूची थमाते हैं और कहते हैं, "इसे छाँटो!" लाइब्रेरियन पूरी सूची को एक कहानी के रूप में पढ़ने की कोशिश करता है, संख्याओं से भ्रमित हो जाता है, और जवाब देने में 10 मिनट लगा देता है।
TaRL का तरीका:
- आप सूची से एक बार में एक आइटम लेते हैं (जैसे, "दूध: $3.50") और लाइब्रेरियन से पूछते हैं, "यह आपको क्या याद दिलाता है?"
- लाइब्रेरियन आपको उस आइटम के बारे में एक "एहसास" (एम्बेडिंग) देता है।
- चरण 1 (सुधार): आप लाइब्रेरियन को बताते हैं, "केवल सामान्य रूप से 'भोजन' के बारे में न सोचें; विशिष्ट विवरणों पर ध्यान दें।" (यह वस्तुओं को फैला देता है)।
- चरण 2 (सुधार): आपके पास एक छोटा सहायक है जो सूची को देखता है और लाइब्रेरियन को बताता है, "इस सूची के लिए, अंतरों के प्रति बहुत सख्त रहें।" (यह वॉल्यूम नॉब को समायोजित करता है)।
- परिणाम: लाइब्रेरियन अपनी मौजूदा जानकारी का उपयोग करके, एक सेकंड के भीतर लगभग पूर्ण सटीकता के साथ सूची को छाँट देता है।

यह एक बड़ी बात क्यों है?

यह तेज़ है: पेपर दिखाता है कि यह विधि एक साथ पूरी टेबल को पढ़ने के लिए बड़े रोबोट से पूछने की तुलना में 1,000 गुना तेज़ है।
यह सस्ता है: आपको एक नया मॉडल प्रशिक्षित करने की आवश्यकता नहीं है। आप बस जो आपके पास पहले से है उसका उपयोग करते हैं।
यह कम डेटा के साथ काम करता है: यह तब भी बहुत अच्छा काम करता है जब आप रोबोट को केवल 2 या 4 उदाहरण दिखाते हैं (Few-Shot Learning)। यह वास्तविक दुनिया के वेब डेटा के लिए महत्वपूर्ण है जहाँ आपके पास हजारों लेबल वाले उदाहरण नहीं हो सकते।
यह "अर्थपूर्ण" डेटा को पसंद करता है: यह तब चमकता है जब टेबल में अच्छे कॉलम नाम (जैसे "Product Type" या "Price") होते हैं, न कि केवल रैंडम नंबर। यह डेटा को छाँटने के लिए शब्दों के अर्थ का उपयोग करता है।

निष्कर्ष

लेखकों ने साबित किया कि आपको हर प्रकार के डेटा के लिए एक नया, विशेष AI बनाने की आवश्यकता नहीं है। यदि आपके पास एक शक्तिशाली भाषा मॉडल है, तो आप दो छोटे, चतुर समायोजन करके इसे टेबल समझने के लिए उपयोग कर सकते हैं: डेटा को फैलाना ताकि उसे देखना आसान हो, और प्रत्येक विशिष्ट कार्य के लिए कॉन्फिडेंस नॉब को ट्यून करना।

यह महसूस करने जैसा है कि ऊबड़-खाबड़ सड़क पर चलने के लिए आपको नई कार की आवश्यकता नहीं है; आपको बस अपने मौजूदा वाहन के सस्पेंशन और टायरों को एडजस्ट करने की आवश्यकता है, और आपकी मौजूदा कार इसे पूरी तरह से संभाल सकती है।

यहाँ कंग एट अल. के शोध पत्र "Language Model Representations for Efficient Few-Shot Tabular Classification" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

वेब पर तालिकाओं (जैसे उत्पाद कैटलॉग, ज्ञान आधार, वैज्ञानिक डेटासेट) के रूप में संरचित डेटा की विशाल मात्रा मौजूद है। जबकि लार्ज लैंग्वेज मॉडल्स (LLMs) सिमेंटिक कार्यों के लिए वेब इंफ्रास्ट्रक्चर का अभिन्न अंग बन गए हैं, फ्यू-शॉट टैबुलर क्लासिफिकेशन (few-shot tabular classification) के लिए उनका लाभ उठाना चुनौतीपूर्ण बना हुआ है।

अंतराल (The Gap): पारंपरिक टैबुलर मॉडल (जैसे XGBoost, TabPFN) विशिष्ट (specialized) हैं लेकिन उनमें LLMs जैसी सिमेंटिक समझ की कमी होती है। इसके विपरीत, इन-कॉन्टेक्स्ट लर्निंग (पूरी तालिकाओं को प्रॉम्प्ट में सीरियलाइज़ करना) के माध्यम से सीधे LLMs का उपयोग करना, क्वाड्रेटिक अटेंशन कॉम्प्लेक्सिटी और उच्च टोकन लागत के कारण कम्प्यूटेशनल रूप से अत्यधिक महंगा है।
प्रश्न: क्या व्यक्तिगत टेबल रोज़ (rows) के मौजूदा, ऑफ-द-शेल्फ LLM एम्बेडिंग्स को बिना किसी विशेष प्रशिक्षण या व्यापक रिट्रेनिंग के संरचित डेटा वर्गीकरण के लिए पुन: उपयोग किया जा सकता है?
चुनौती: टैबुलर कार्यों के लिए LLM एम्बेडिंग्स का सहज (naive) अनुप्रयोग विशेष मॉडलों की तुलना में खराब प्रदर्शन करता है। यह दो मुख्य कारकों के कारण है:
1. एनिसोट्रॉपी (Anisotropy): LLM एम्बेडिंग्स वेक्टर स्पेस में समान रूप से वितरित नहीं होते हैं; वे संकीर्ण शंकु (narrow cones) में क्लस्टर होते हैं, जिससे कोसाइन सिमिलरिटी जैसे डिस्टेंस-बेस्ड मेट्रिक्स की गुणवत्ता कम हो जाती है।
2. कार्य परिवर्तनशीलता (Task Variability): विभिन्न वर्गीकरण कार्यों के लिए संदर्भ उदाहरणों (context examples) के प्रति अलग-अलग स्तर के "आत्मविश्वास" या ध्यान की आवश्यकता होती है, जिसे एक स्टैटिक क्लासिफायर अनुकूलित नहीं कर सकता।

2. कार्यप्रणाली: TaRL (Table Representation with Language Model)

लेखक TaRL का प्रस्ताव करते हैं, जो एक हल्का, ग्रेडिएंट-फ्री फ्रेमवर्क है जो ऑफ-द-शेल्फ LLM एम्बेडिंग्स को फ्यू-शॉट क्लासिफिकेशन के लिए अनुकूलित करता है। यह विधि चार प्रमुख घटकों से बनी है:

A. सीरियलाइजेशन और एम्बेडिंग (Serialization and Embedding)

रो-वाइज सीरियलाइजेशन: पूरे टेबल कॉन्टेक्स्ट को सीरियलाइज़ करने के बजाय (जिससे टोकन विस्फोट होता है), प्रत्येक टेबल रो को व्यक्तिगत रूप से एक टेक्स्ट स्ट्रिंग में सीरियलाइज़ किया जाता है (जैसे Feature A: 1.2, Feature B: 3.4)।
एम्बेडिंग: प्रत्येक सीरियलाइज्ड रो को एक प्री-ट्रेन्ड LLM के माध्यम से पास किया जाता है ताकि एक वेक्टर एम्बेडिंग ( $\mathbf{x} \in \mathbb{R}^{d_e}$ ) उत्पन्न की जा सके। यह कुल कॉन्टेक्स्ट साइज के सापेक्ष ट्रांसफार्मर अटेंशन की क्वाड्रेटिक स्केलिंग से बचता है।

B. कर्नेल-आधारित वर्गीकरण (Kernel-Based Classification)

इस कार्य को कर्नेल रिग्रेशन समस्या के रूप में फ्रेम किया गया है। $k$ लेबल किए गए उदाहरणों के सपोर्ट सेट और एक क्वेरी को देखते हुए:

क्वेरी और सभी सपोर्ट उदाहरणों के लिए एम्बेडिंग्स की गणना करें।
नेगेटिव इनवर्स कोसाइन सिमिलरिटी (जो $[-\pi, 0]$ के बीच सीमित है) का उपयोग करके समानता की गणना करें।
वेट्स ( $w_i$ ) में बदलने के लिए एक सॉफ्टमैक्स (softmax) फंक्शन लागू करें।
क्वेरी के क्लास की भविष्यवाणी करने के लिए लेबल एम्बेडिंग्स के भारित योग (weighted sum) की गणना करें।

C. ज्यामितीय सुधार: कॉमन कंपोनेंट रिमूवल (Common Component Removal - CCR)

LLM एम्बेडिंग्स की एनिसोट्रॉपी को संबोधित करने के लिए:

यह विधि सपोर्ट सेट और क्वेरी के बीच औसत एम्बेडिंग वेक्टर (सामान्य घटक/common component) की गणना करती है।
इस औसत वेक्टर को सभी एम्बेडिंग्स से घटाया जाता है।
परिणाम: यह एम्बेडिंग्स को अधिक आइसोट्रोपिक (समान रूप से वितरित) होने के लिए मजबूर करता है, जिससे कोसाइन सिमिलरिटी मेट्रिक की विभेदात्मक शक्ति (discriminative power) में सुधार होता है।

D. टेम्परेचर कैलिब्रेशन ( $\gamma$ )

कार्य परिवर्तनशीलता को संबोधित करने करने के लिए, लेखक सॉफ्टमैक्स फंक्शन में एक ट्यून करने योग्य तापमान पैरामीटर $\gamma$ पेश करते हैं:
$w_i = \frac{\exp(\gamma \cdot \text{sim}(\mathbf{x}_q, \mathbf{x}_i))}{\sum \exp(\gamma \cdot \text{sim}(\mathbf{x}_q, \mathbf{x}_j))}$

उच्च $\gamma$ : एक पीक्ड डिस्ट्रीब्यूशन बनाता है (निकटतम-पड़ोसी व्यवहार)।
निम्न $\gamma$ : एक समान वितरण बनाता है (अधिक उदाहरणों पर औसत निकालना)।
mTaRL (Meta-Learning): $\gamma$ को मैन्युअल रूप से ट्यून करने के बजाय, लेखक सहायक डेटासेट्स पर एक सरल मेटा-लर्नर (रिग्रेशन मॉडल) को प्रशिक्षित करते हैं। यह लर्नर केवल सपोर्ट सेट के सांख्यिकी (जैसे माध्य समानता, भिन्नता) के आधार पर नए कार्य के लिए इष्टतम $\gamma$ की भविष्यवाणी करता है, जिसमें लक्षित कार्य पर कोई ग्रेडिएंट-आधारित प्रशिक्षण आवश्यक नहीं होता है।

3. मुख्य योगदान (Key Contributions)

TaRL फ्रेमवर्क: एक नया, हल्का प्रतिमान जो बिना किसी ग्रेडिएंट-आधारित प्रशिक्षण या विशेष आर्किटेक्चर के, ऑफ-द-शेल्फ LLM एम्बेडिंग्स का उपयोग फ्यू-शॉट टैबुलर क्लासिफिकेशन के लिए करता है।
सिमेंटिक अनुकूलन: दो महत्वपूर्ण अनुकूलनों की पहचान और कार्यान्वयन:
- CCR: एम्बेडिंग एनिसोट्रॉपी को कम करता है।
- टेम्परेचर कैलिब्रेशन: विशिष्ट कार्य संरचनाओं के अनुसार क्लासिफायर के व्यवहार को गतिशील रूप से अनुकूलित करता है।
- mTaRL (Meta-Learned Calibration): हैंडक्राफ्टेड फीचर्स का उपयोग करके एक "ऑरेकल" (परफेक्ट $\gamma$ चयन) को अनुमानित करने के लिए एक व्यावहारिक तरीका, जो फाउंडेशन मॉडल्स के दिनों के प्रशिक्षण की तुलना में तीव्र अनुकूलन (<1 घंटा) सक्षम करता है।
लेबल एम्बेडिंग्स: यह प्रदर्शित किया गया कि क्लास लेबल्स के लिए (वन-हॉट वेक्टर्स के बजाय) LLM-जनरेटेड एम्बेडिंग्स का उपयोग करने से सिमेंटिक लेबल जानकारी का लाभ उठाकर प्रदर्शन में उल्लेखनीय वृद्धि होती है।

4. प्रयोगात्मक परिणाम (Experimental Results)

विधि का मूल्यांकन विभिन्न शॉट सेटिंग्स ( $k \in \{2, \dots, 512\}$ ) में CARTE-CLF (सिमेंटिक-रिच) और TabArena बेंचमार्क पर किया गया।

SOTA के विरुद्ध प्रदर्शन:
- सिमेंटिक-रिच डेटासेट्स (CARTE) पर लो-डेटा रिजीम ( $k \le 32$ ) में, mTaRL TabPFN और ConTextTab जैसे स्टेट-ऑफ-द-आर्ट विशेषज्ञ मॉडलों के बराबर प्रदर्शन प्राप्त करता है।
- गैर-सिमेंटिक डेटासेट्स (TabArena) पर, विशेषज्ञ मॉडलों के पास अभी भी बढ़त है, जो पुष्टि करता है कि TaRL की ताकत सिमेंटिक सामग्री (कॉलम नाम, टेक्स्ट वैल्यू) का लाभ उठाने में निहित है।
ऑरेकल बाउंड (Oracle Bound): "ऑरेकल" क्लासिफायर (जो हर कार्य के लिए परफेक्ट $\gamma$ जानता है) लगभग पूर्ण स्कोर प्राप्त करता है, जो यह सिद्ध करता है कि यदि ठीक से अनुकूलित किया जाए तो कच्चे LLM एम्बेडिंग्स में पर्याप्त सिग्नल होता है।
रनटाइम दक्षता:
- TaRL, फ्यू-शॉट कार्यों के लिए ऑटोरिग्रेसिव LLM इन्फरेंस (जैसे TabuLa-8B) की तुलना में 1,000 गुना तक तेज़ है।
- एक कैशिंग स्कीम (एम्बेडिंग्स को प्री-कंप्यूट करना) के साथ, TaRL छोटे $k$ के लिए XGBoost और अन्य बेसलाइन्स की तुलना में काफी तेज़ है।
मॉडल एग्नोस्टिसिज्म (Model Agnosticism): यह दृष्टिकोण विभिन्न LLM बैकबोन (Llama 3.1, TabuLa-8B, Granite, Qwen) के साथ प्रभावी ढंग से काम करता है, जिसमें Llama 3.1-8B विशेष रूप से मजबूत परिणाम दिखाता है।

5. महत्व और प्रभाव (Significance and Impact)

इंफ्रास्ट्रक्चर का पुन: उपयोग: यह शोध पत्र दर्शाता है कि जिन संगठनों के पास पहले से ही LLM डिप्लॉयमेंट (खोज या चैट के लिए) है, वे नए विशेष मॉडल तैनात किए बिना या भारी रिट्रेनिंग लागत के बिना, अपने मौजूदा मॉडलों को संरचित डेटा वर्गीकरण कार्यों पर तुरंत लागू कर सकते हैं।
लागत-प्रभावशीलता: ऑटोरिग्रेसिव जनरेशन और भारी फाइन-ट्यूनिंग से बचकर, TaRL वेब-स्केल टेबल अंडरस्टैंडिंग के लिए एक अत्यधिक कुशल मार्ग प्रदान करता है।
सिमेंटिक समझ: यह प्रमाणित करता है कि LLMs द्वारा प्री-ट्रेनिंग के दौरान सीखी गई सिमेंटिक समझ टैबुलर डेटा के लिए भी हस्तांतरणीय है, बशर्ते कि ज्यामितीय और कार्य-विशिष्ट अनुकूलन लागू किए जाएं।
व्यावहारिकता: यह विधि उन परिदृश्यों के लिए विशेष रूप से मूल्यवान है जहाँ डेटा सीमित (फ्यू-शॉट) है और सिमेंटिक सामग्री समृद्ध है, जैसे कि यूजर फॉर्म को वर्गीकृत करना, सपोर्ट टिकटों को छाँटना, या उत्पाद मेटाडेटा को वर्गीकृत करना।

निष्कर्षतः, यह शोध पत्र तर्क देता है कि कुशल टैबुलर वर्गीकरण का भविष्य बड़े, विशेषीकृत फाउंडेशन मॉडल्स बनाने में नहीं, बल्कि सामान्य-उद्देश्य वाले LLMs द्वारा पहले से सीखे गए सिमेंटिक रिप्रेजेंटेशन्स को ठीक से अनुकूलित करने में निहित है।