多模态Transformer框架：通过语义增强表格对长金融文本进行Grounding

论文提出一种多模态Transformer框架，通过将金融表格转化为语义增强token序列，并结合交叉注意力机制处理长文本，实现跨模态依赖捕捉。 该框架利用变量的文本定义生成语义嵌入，增强了对数值大小和经济意义的编码，相比仅值嵌入更具表达力且参数效率更高。基于财务报表数据集实验表明，结构化数值特征是主要预测信号，而文本信息通过交叉注意力能带来一致的增量收益。