Text To Sql
PulseAugur coverage of Text To Sql — every cluster mentioning Text To Sql across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新的PlanPool方法改进了代理文本到SQL系统
研究人员开发了一种名为PlanPool的新方法，以解决代理文本到SQL系统中的欠指定问题。这些系统可以与用户交互以澄清模糊的查询，但它们有时会做出未经证实的假设，导致执行结果正确但未能完全解决歧义。PlanPool将澄清计划外部化为一个可变的问答池，确保在提交答案之前，所有已识别的相关问题都会被明确询问或删除。这种方法提高了歧义覆盖率，并在多个基准测试中减少了静默失败，同时保持了具有竞争力的执行准确性。
-
新的文本到SQL系统FLINT处理复杂的金融数据
研究人员开发了FLINT，一个专门的文本到SQL系统，旨在处理复杂的金融数据，这些数据通常使用不透明的整数键而不是人类可读的字符串。FLINT通过整合一个用于概念解析的查找代理、基于嵌入的查询模板检索以及导航外键链的模式链接，提高了查询准确性。该系统在生产金融模式上的表现显著优于现有的最先进基线，并已成功部署在金融数据检索服务中。
-
DualSQL 使用多智能体强化学习实现先进的文本到SQL性能
研究人员开发了DualSQL，一个新颖的文本到SQL系统，它利用单一模型骨干和两个智能体进行联合优化。这个多智能体强化学习框架允许共享模型权重和智能体脚手架，从而提高了复杂数据库查询的性能。DualSQL展示了强大的结果，其8B参数版本在BIRD开发集上优于更大的模型。
-
新的DRPG框架增强了持续的LLM改进
研究人员开发了一个名为动态检索策略生成（DRPG）的新框架，以应对大型语言模型（LLM）持续适应的挑战。DRPG集成了基于记忆的检索和一个动态策略生成器，利用历史数据和环境反馈来创建针对特定任务的LLM改进策略。该框架在文本到SQL、问答、医学诊断和Python编程等各种基准测试中，使用了多种专有和开源LLM，与现有基线相比，表现出了卓越的性能。
-
新的LLM路由优化文本到SQL生成，以降低成本和提高速度
研究人员开发了一种新颖的文本到SQL任务LLM路由方法，旨在优化成本和延迟。该方法动态选择最经济高效且能够准确生成SQL查询的LLM，从而降低简单请求的费用，同时保持复杂请求的高准确性。提出的基于分数和基于分类的策略在BIRD数据集上展示了准确性和成本之间的实际权衡，并且路由器的设计考虑了高效的训练和推理。
-
新的SQLMorph框架通过查询变异和细粒度指标增强文本到SQL评估
研究人员推出SQLMorph，一个旨在改进文本到SQL系统评估的新框架。该框架采用查询变异技术，包括连接查询扩展（JQE）和文本查询增强（TQA），以自动生成和扩展评估数据集。SQLMorph还提出了一套执行级别的指标，如执行精度（EXP）和执行召回率（EXR），与传统的二元指标相比，它们提供了对系统性能更细致的分析。
-
Reflect-SQL 框架通过自反思提升 Text-to-SQL 准确性
研究人员开发了 Reflect-SQL，一个旨在提高 Text-to-SQL 系统准确性和可靠性的新框架。该框架利用多阶段自反思过程，结合 LLM-as-a-judge 机制来迭代优化 SQL 生成。Reflect-SQL 通过采用反馈循环来优化查询、SQL 验证和端到端流程，解决了复杂数据库模式和低效数据检索等挑战。该系统在 BIRD 基准测试上实现了 72.03% 的执行准确率，展示了企业数据访问的重大进展。
-
新的文本到SQL方法使用记忆，绕过微调
研究人员开发了MaP-SQL，一种新颖的文本到SQL系统方法，无需微调列表选择器。MaP-SQL不将选择标准作为模型参数进行学习，而是利用可重用的结构化记忆来编码自然语言、SQL操作和预期输出之间的映射。该方法通过跨输入排列的聚合排名来缓解位置偏差，从而提高选择的准确性和效率，在BIRD-dev基准测试中优于先前最先进的方法。
-
新方法优化企业文本到SQL任务的LLM上下文
研究人员开发了一种方法，用于优化提供给大型语言模型（LLM）的企业文本到SQL任务的知识库上下文。该方法不输入整个业务逻辑（这不可行），而是专注于从历史使用数据构建上下文。这包括将查询分解为DAG，并使用蒸馏过程从历史查询配置文件创建可重用的SQL参考卡。在零售商的生产查询上进行的实验表明，与仅优化检索约束相比，抽象语法树（AST）相似度有了显著提高。
-
SPOC-SQL：新方法增强可控的文本到SQL生成
研究人员推出了一种新颖的文本到SQL生成方法SPOC-SQL，该方法将复杂任务分解为四个顺序子任务。此方法允许进行阶段特定的优化策略，使模型能够在关键节点学习关键决策过程。通过结合细粒度偏好优化和结构化分解策略，SPOC-SQL有助于构建可控且可靠的SQL查询，实验表明通过整合阶段性人类知识可提高性能。
-
新的ACTS-SQL框架通过代理式调试提升Text-to-SQL准确性
研究人员开发了ACTS-SQL，一个用于提高Text-to-SQL系统准确性的新颖框架，将SQL纠错视为一个树状结构的调试过程。这种无需训练的方法结合了多种纠错策略，允许回溯以减轻错误传播，并整合了基于执行的验证以实现精确的错误定位。当部署在火山引擎的Torch Log Service中时，ACTS-SQL使用GPT-5作为骨干，在真实用户查询上的执行准确率从36.77%提升到53.61%。
-
新的文本到SQL系统提高了企业准确性
一篇新研究论文介绍了一个语义路径编译（SPC）系统，旨在提高企业应用程序文本到SQL生成的可靠性。与可能导致错误查询的直接生成方法不同，SPC将自然语言解释和SQL构建的任务分开。该系统对短语进行约束并选择受管制的选项，大多数决策由代码而不是语言模型处理。在保险基准上的评估显示，SPC的准确率为97.4%，而基线为55.3%，证明了其鲁棒性和可复现性。
-
新的 SDAM 系统通过记忆演化提升 Text-to-SQL 准确性
研究人员开发了一种名为 SDAM（结构-差异感知记忆演化）的新颖系统，以提高将自然语言问题转换为 SQL 查询的准确性。SDAM 通过关注历史经验、鲁棒的结构分析和深度语义理解来解决现有基于记忆的系统的局限性。该系统集成了矛盾感知反思机制和模式图谱驱动的记忆演化过程，以增强结构一致性。当在 SDAM-SQL 框架中实现时，与当前的 Text-to-SQL 方法相比，该方法在 BIRD-dev 和 Spider-test 基准测试上表现…
-
新的CHS-SQL框架提高了SLM Text-to-SQL的准确性
研究人员开发了CHS-SQL，一个用于在Text-to-SQL任务上微调小型语言模型（SLMs）的新框架。该方法侧重于通过结合启发式搜索和模型的内部置信度来优化模式链接阶段，以平衡精确率和召回率。该方法旨在通过最大化相关的模式候选并抑制不相关的信息来提高SQL的准确性，最终在Text-to-SQL方面为SLMs取得最先进的成果。
-
EvoSQL框架通过批评-生成器协同进化增强文本到SQL
研究人员开发了EvoSQL，一个新颖的框架，旨在通过将SQL合成视为生成器和批评者之间的迭代过程来增强文本到SQL的能力。该系统包含一个内存组件来存储和验证SQL候选，利用执行信号和基于LLM的批评进行优化。EvoSQL还包括一个自蒸馏策略优化（SDPO）阶段，以执行感知的监督来微调编码LLM，在Spider和BIRD等基准数据集上取得了显著改进，特别是对于Qwen3-4B和Qwen2.5-Coder-3B等开源模型。
-
新的PCC-SQL系统通过策略驱动的访问控制增强文本到SQL的安全性
研究人员开发了PCC-SQL，一个旨在通过强制执行列级访问控制来增强文本到SQL应用程序安全性的新颖系统。该系统将策略合规性直接集成到解码过程中，确保用户查询遵守有关数据使用的指定规则。PCC-SQL旨在通过单次解码过程确定性地防止策略违规，在保持高答案覆盖率的同时实现0%的泄露率。
-
新研究解决了文本到SQL的效率、正确性和漏洞问题
研究人员正在开发新方法来提高文本到SQL系统的效率和可靠性。一种名为SQuaD-SQL的方法利用LLM引导的知识蒸馏，使小型语言模型能够以更低的计算成本在文本到SQL任务上实现高性能。另一项研究侧重于预测AI生成的SQL查询的正确性，发现LLM裁判和集成方法明显优于简单的信号，尽管泛化到未见过的模式仍然是一个挑战。此外，像Spider 2.0-AIFunc这样的新基准正在涌现，以评估AI原生的SQL能力，并且正在开发像SAGE这样的框…
-
新的DBCC方法压缩数据库上下文以改进文本到SQL
研究人员开发了一种称为数据库上下文压缩（DBCC）的新方法，以提高在大型真实世界数据库上进行文本到SQL的性能。该方法通过将模式、描述和文档压缩成更紧凑的格式来解决数据库表示的瓶颈。DBCC利用SGCF原理进行离线结构和语义压缩，显著减小了输入上下文的大小，并提高了文本到SQL系统的模式链接召回率和端到端执行准确性。
-
新框架GradeSQL提升LLM在文本到SQL任务中的可靠性
研究人员开发了GradeSQL，一个用于提高大型语言模型（LLM）在文本到SQL任务中可靠性的新框架。该框架利用结果奖励模型（ORMs）作为测试时验证的学习语义评分函数。GradeSQL使用自动候选生成和基于执行的标注来训练这些ORMs，无需人工标注。当集成到Best-of-N管道中时，基于ORM的选择在BIRD和Spider基准测试上的性能显著优于传统方法。
-
新研究通过子句级奖励和分步编排改进文本到SQL生成
两篇新研究论文介绍了改进文本到SQL生成的先进方法。EXPO-SQL 专注于在强化学习中提供细粒度的子句级奖励，以更好地指导生成正确的SQL查询。而 SQLConductor 则采用分步编排学习框架，利用蒙特卡洛树搜索和稳定性估计来组合专门的模块，以处理复杂的数据库查询，从而实现高执行准确性和泛化能力。