TAT-QA 是一个面向金融报告的表格与文本混合问答数据集，包含真实金融报告中的表格、相关段落和问题答案。它的全称是 Tabular And Textual Question Answering，核心特点是把半结构化表格和非结构化文本放在同一个上下文中，要求模型综合两者进行理解和数值推理。

它与 FinQA 相似但关注点不同。FinQA 更强调程序化数值推理，TAT-QA 更强调混合上下文：很多问题必须同时阅读表格和旁边的解释性段落。金融报告里经常出现这种情况：表格给出数字，段落解释原因、口径、变化和管理层观点。如果模型只看表格，可能缺少语义；只看文本，又缺少精确数字。

TAT-QA 收录了大量问题和金融报告上下文，并提供相关基线模型。它对金融 AI 的启发在于：真实金融文档不是纯文本，也不是纯表格，而是图文表混排、跨段落、跨页、多单位和多层标题。银行做财报助手、制度问答、监管文件问答时，也会遇到表格和文本混合的问题。

该项目后来还扩展出 TAT-DQA 等文档视觉问答方向，说明金融文档理解正在从纯文本 NLP 走向版面、表格、视觉和推理结合。对于银行学习者来说，TAT-QA 是理解金融文档智能从“读字”到“读表 + 读段落 + 算数”的重要基准。

• 基于真实金融报告构建，包含表格和相关文本段落。
• 任务要求模型同时理解表格数字、文本解释和问题语义。
• 涉及加减乘除、比较、排序、计数等多种数值推理。
• 适合评估金融文档问答、表格理解和 RAG 系统能力。

TAT-QA 最适合学习“金融文档上下文融合”。很多金融问题的答案不在单一段落里，而在表格和文本共同构成的上下文中。学习者可以通过它理解为什么向量检索如果只按自然段切片，会丢失表格结构和表格对应的解释段落。

对银行而言，这可以迁移到制度文件、监管报表、授信材料和产品说明书。银行文档中大量内容是表格加说明，AI 系统必须设计表格切片、标题层级、字段元数据和引用返回机制。

• 财报表格 + 管理层说明的联合问答。
• 银行制度文件和产品说明书中的表格条款问答。
• 金融 RAG 的表格检索、表格转文本和结构化证据设计。
• 金融文档理解模型和多步推理模型评测。
• 财务分析、经营分析和风险因素解释。

TAT-QA 主要是英文公开金融报告场景，真实银行内部文档可能更复杂，包括扫描件、盖章文件、手写补充、中文表格和多版本材料。直接用数据集训练出来的模型不能保证迁移到银行生产文档。落地时要补充中文数据、版面解析、表格结构校验和人工复核机制。