一篇新论文用受控实验追问，为什么大型语言模型在表格分类上常常输给传统机器学习。研究者排除了 CSV 格式、数字分词、查询数量和简单非线性等解释，发现性能下降最稳定地出现在特征维度增加时。

一句话结论：LLM 可以在低维表格上模拟一种近邻式判断，但特征列一多，这种从文本序列临时推断决策边界的方法就迅速失效；把数据转成 CSV 并不会让语言模型自动获得树模型的归纳偏置。

实验采用最纯粹的一次推理设置：提示中同时放入完整训练样本和待预测数据，不调用代码工具、不微调模型，也不增加外部脚手架。研究者依次测试噪声与非线性、CSV 表达、数字 token 化、一次查询的测试点数量和数据维度五种假设。

前四种解释都没有在控制变量后稳定复现性能崩溃。决定性变化来自维度。研究者对 31 个数据集进行随机线性投影，并与 252 种配置下的 9 类经典方法比较；维度增加时，只有 LLM 的准确率持续下降，传统方法大多持平或改善。

在二维任务中，LLM 产生的决策区域与局部、基于距离的方法很相似，网格预测最高有 91.6% 一致。但进入高维后，即使给经典模型加入噪声，也没有一种方法能完整复现 LLM 的退化轨迹。论文因此只描述行为，没有声称已经找到模型内部机制。

这个结论的适用范围很窄但很实用。它针对的是把表格直接塞进提示词的一次性预测，不涵盖会运行 Python、训练 XGBoost、调用检索或专为表格预训练的 Agent。一个 LLM 完全可以正确选择并操作传统模型，但那是工具编排能力，不是语言模型自身完成表格归纳。

企业最容易犯的错误，是因为 LLM 能读懂列名和解释结果，就让它直接承担数值预测。语义理解适合用于数据清洗、特征说明和报告生成；真正的预测层仍应与树模型、线性模型和专用表格模型做严格交叉验证。

关键事实

• 研究使用一次推理设置，不提供工具、微调或外部程序
• 五种候选解释中，数据维度最能稳定解释 LLM 性能下降
• 实验覆盖 31 个数据集，并与 9 类、252 种配置的经典方法比较
• 低维行为类似局部距离方法，但论文没有确定内部计算机制

OC 判断

“LLM 能理解表格”包含至少三件不同的事：解释字段、调用分析工具和直接从样本预测。前两项可以很强，第三项却受归纳偏置限制。工程团队应把自然语言接口和统计预测器拆开评估，而不是用一段看似合理的解释替代验证集成绩。

为什么重要

• 对开发者：高维表格应优先训练专用模型，让 LLM 负责工具选择和结果解释。
• 对企业：信用、医疗和风控场景不能把自然语言流畅度当成预测可靠性。
• 对研究者：需要进一步测试模型规模、上下文长度和专门训练能否改变维度退化。

参考来源

• arXiv：Why Large Language Models Fail at Tabular Prediction
• arXiv：Large Language Models for Tabular Data Survey