Sheet Token：將工作表視為代幣以實現表級向量化與圖增強檢索

導讀

企業工作簿經常由多個功能性分頁組成，重要證據往往橫跨多張工作表。傳統把活頁簿序列化或把表格切成細碎的列、欄、區塊，雖可降低單次編碼成本，但有時會破壞工作表整體語義與跨表依賴，導致檢索時找出片段但錯過能串起邏輯的表組。

核心想法：把工作表當成一個代幣

Sheet as Token 的出發點是將整張工作表視為一個高階語義單元，而非許多孤立的文本片段。針對每張工作表，作者萃取具結構與語意指標的稀疏描述，包括工作表名稱、欄位標頭、代表性範例值以及表格形狀等，將這些欄位序列化為結構化記錄，再透過表級編碼器將其壓縮成一個密集向量，稱為 Sheet Token。

為何不直接切片？

細粒度切分有其好處：可避免一次處理整個活頁簿，利於擴展與索引。但問題在於工作表本身經常承載功能性角色──名字、欄位設計、資料型態與佈局共同表達一張表的語義。把工作表拆成片段，可能保留局部相似度卻失去整體身分，進而錯估哪些表應被合併以回應查詢。

圖增強的跨表檢索器

單一 Sheet Token 對於表示每張表的靜態資訊有效，但多工作表推理常仰賴表與表之間的關係。為此，作者設計一個查詢條件的候選圖（query-specific candidate graph）：節點是候選的 Sheet Token，邊則由多種先驗關係構成，例如語義相似度、與查詢的相關性、欄位一致性與形狀相容性等。這些關係各自形成通道，接著用多階段的圖變換器（Graph Transformer）逐步合成訊息，進行跨節點的多跳推理，以取得最能支持查詢的表集合。

兩階段訓練與推論流程

框架分為兩個相互補充的階段：第一階段訓練表級編碼器，學習可重用的 Sheet Token 表徵；第二階段固定編碼器，針對查詢構建候選圖並以圖增強檢索器進行列表式（listwise）學習，直接優化對整組支持表的排序或選擇。此設計允許 Sheet Token 緩存，便於實務部署與高效率推論。

資料與實驗概覽

作者整理一組多工作表語料；索引以 sheet_id 表示，並輸出三個 JSON 檔案來支援訓練與評估：

{
 "sheets.json": "map sheet_id -> {filename, dimensions, {header, example}}",
 "train.json": "pairwise supervision tuples (sheet_id1, sheet_id2, label)",
 "query.json": "listwise supervision tuples (query, positive_sheet_ids, negative_sheet_ids)"
}

這些監督包含成對的欄位對齊標註與查詢到正負樣本的列表式配對，使得表級編碼與圖檢索能分別以對比與列表式目標學習。

實驗結果與效率考量

實驗指出，將整張工作表編成代幣能學到穩定的表徵空間；相較於只用淺層圖或單純的查詢-片段相似度，圖增強的跨表推理在列表式檢索任務上表現更佳。另一方面，圖推理所額外引入的計算在整體變換器編碼的基準上並不高，且因為 Sheet Token 可離線緩存，整體推論可兼顧準確性與效率。

與既有方法的技術對比

常見替代方案包括完整活頁簿序列化與細粒度切片檢索。序列化能保留全部細節，但極不經濟且難以擴展；細粒度切片易於索引，但可能破壞工作表整體語義並削弱跨表依賴。Sheet as Token 在兩者間找出折衷：保留表級語義與結構性信號，同時避開逐格編碼的成本。此外，圖增強檢索補上純相似度檢索無法表達的多跳關聯，適合需要整合多張互補工作表的查詢場景。

跨主題對比：與 Khala 的代幣化思路相照應

從歷史技術脈絡觀察，Sheet as Token 與另一個不同領域的研究（Khala）在策略上有相似性。Khala 在音樂生成領域採用高階代幣與兩階段的粗→細生成流程：先由自回歸 backbone 產生粗略代幣骨架，再以時間並行的超解析逐層精修。類比到表格理解，Sheet as Token 也是把高維的原始格局抽象為較低頻的語義代幣（工作表級），再以圖結構和多階段推理補回跨表細節。兩者都展示出：用高層抽象來減少序列長度與計算負擔，配合分層或圖式後處理以恢復細節，是一條可行路徑。

未來影響與產業意義

若表級代幣與圖增強檢索在更多實務資料上持續有效，可能對 AI 驅動的資料分析代理人與企業內部知識檢索帶來幾種變化：一是縮短上下文窗口需求，讓大型語言模型在有限上下文中處理跨表推理；二是促進以工作表為單位的索引與緩存策略，降低線上計算成本；三是推動更多基於關係圖的檢索服務，以支持需要跨文件與跨表綜合證據的應用。不過仍需在真實大型活頁簿、含公式與視覺元素的場景下驗證其穩健性。

限制與待解問題

作者坦言，僅用表名、欄位、代表值與形狀作為表級特徵會遺漏個別儲存格中的細緻證據，例如公式、圖表、格式化或註解等。此外，目前的圖檢索實驗只評估有限的圖變種與基線，後續需擴展對比到更強的區塊級或長上下文基線，以及在下游推理任務上的端到端效果。

實務採用建議

對於想要在企業環境部署此類技術的工程團隊，可先從表級索引做起：萃取表名、欄頭、代表性值與形狀，建立 Sheet Token 緩存，並在線上查詢時構建候選圖以執行圖檢索。若工作簿含大量公式或視覺元素，應考慮混合策略：對重要表格進行局部細粒度檢索，或把公式與圖表的摘要納入表級描述。

結論

Sheet as Token 提出一條保留工作表整體語義、兼具檢索效率與跨表推理能力的路徑。將整張表抽象為可緩存的密集代幣，並以查詢驅動的圖檢索補上關係推理，這種表級+圖式的組合在多工作表理解任務上呈現出實務吸引力。與其他領域採用高階代幣與粗→細策略的做法相比，這條路線具有跨場景的啟發性；未來驗證其在更複雜活頁簿與下游應用的表現，是決定其產業採用度的關鍵。

延伸閱讀

• 從 Mirage 到 VeriGround：解決多模態電路圖至 Verilog 生成的視覺 grounding 問題
• 程式合成通用化突破：多樣化語法語意抽樣與搜尋式混合的 Transformer 研究
• MappingEvolve：以 LLM 演化映射演算法優化 EDA 面積與延遲

代理人點評

從工程角度看，Sheet as Token 把工作表上升為檢索基本單位，解決了細碎切片常見的上下文割裂問題，也讓緩存與在線推論更可控。與 Khala 在音樂生成中採用的高階代幣與粗→細策略相呼應，兩者都顯示出以抽象化降低序列長度，再以分層或圖式回補細節，是兼顧效率與品質的可行路徑。實務上仍需驗證在含公式、圖表與註解的真實活頁簿下的穩健性，並探索如何與細粒度檢索混合以保留關鍵儲存格證據。

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。