Lielo valodas modeļu iespējas jautājumu atbildēšanā no tabulāriem datiem

Abstract

Bakalaura darba mērķis ir izpētīt lielo valodas modeļu iespējas jautājumu atbildēšanā no tabulāriem datiem un gūt praktisku priekšstatu par šī brīža populārāko modeļu sniegtajām iespējām uzdevuma veikšanā, kļūdu iemesliem un nepieciešamajiem uzlabojumiem. Darba ietvaros tiek veikta literatūras izpēte par tabulāru datu struktūrām, lielo valodas modeļu pielietojumu un limitācijām tabulāru datu apstrādē un pieejamajiem novērtēšanas rīkiem, datu kopām. Praktiskā daļa ietver eksperimentu, pielietojot darbā apskatīto metodoloģiju, salīdzinot Gemini 2.0 Flash, Gemini 2.5, GPT 3.5, GPT 4.1, Claude 3.7 Sonnet un Mistral Large modeļus tabulāru datu apstrādē jautājumu atbildēšanā un analizējot modeļu pieļauto kļūdu iemeslus.

The goal of this bachelor’s thesis is to explore the capabilities of large language models in answering questions based on tabular data and to gain practical insights into the capabilities, limitations and necessary improvements of the most popular current models. The thesis includes a literature review on tabular data structures, the use and limitations of large language models in processing tabular data, and avaliable evaluation tools and datasets. The practical part involves an experiment applying the discussed methodology to compare the performance of Gemini 2.0 Flash, Gemini 2.5, GPT 3.5, GPT 4.1, Claude 3.7 Sonnet and Mistral Large models in answering questions from tabular data, along with an analysis of the causes of the errors made by these models.