HARP-LoRA：用表头层级条件化低秩投影

HARP-LoRA 用表头层级条件化低秩投影，提升科学表格抽取。

资讯摘要

论文提出 HARP-LoRA，一种面向科学表格理解的层级条件化低秩适配方法。它根据每个数据 token 所在行、列表头的层级结构，构造 token 专属的内在表示，并用这些表示对低秩下投影做条件化，同时保持预训练模型和随机投影张量冻结。作者在 950 张人工标注的药代动力学表格及 WikiTableQuestions 上，用 Llama 3.2 3B、Llama 3.1 8B 和 Gemma 3 27B 进行评测。

要点速读

1. HARP-LoRA 扩展 projected LoRA，用行列表头层级生成 token 专属表示来条件化低秩下投影，预训练模型与随机投影张量保持冻结。
2. 在 Llama 3.1 8B 上，作者报告 PK F1 为 57.64%、WikiTQ 准确率为 53.15%，分别比 LoRA 高 1.42 和 6.56 个百分点。
3. 在 Gemma 3 27B 上，作者报告最佳 PK F1 为 70.63%、WikiTQ 准确率为 56.87%；可训练参数为 172K、197K、547K，少于 LoRA 和 TableLoRA。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/28 08:00:17（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。