Text To Sql
PulseAugur coverage of Text To Sql — every cluster mentioning Text To Sql across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
新的基准和框架解决了文本到SQL的可靠性和AI功能问题 · 跟踪4个来源
研究人员开发了新的基准和框架来解决大型语言模型（LLM）在文本到SQL任务中的可靠性和能力问题。Spider 2.0-AIFunc是一个新的基准，它扩展了现有的文本到SQL评估，纳入了Snowflake等平台上可用的AI原生SQL函数，揭示了专有模型和开源模型之间的性能差距。同时，SAGE框架自动化了对LLM生成的SQL中潜在漏洞的发现，突出了模型的脆弱性，并通过微调提出了修复途径。另一项研究侧重于通过预测重复的LLM调用何时收敛到一…
-
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。
-
文本到SQL在真实数据上的准确性骤降
尽管文本到SQL的演示似乎已解决，但当应用于真实的数据库时，其准确性会急剧下降。这种显著的下降并非由于语言模型的智能，而是由于结构、安全性和正确性方面的挑战。本系列将探讨当前系统面临的七个具体障碍，并认为成功的方法需要为模型提供一个模式图，清晰地区分确定性输出和生成性输出，并保持数据局部性。
-
新研究通过增强的 LLM 推理能力提升 Text-to-SQL 的准确性
arXiv 上发布的三篇新研究论文探讨了 Text-to-SQL 技术的进展，重点在于提高大型语言模型（LLM）将自然语言问题转换为 SQL 查询的准确性和泛化能力。这些论文介绍了 CoTE-SQL、MapleDoctor 和 Reward-SQL 等新框架，它们采用了自我增强推理、错误检测与修复以及执行感知奖励等技术，以处理复杂查询并在 Spider 和 Bird 等基准测试中提升性能。这些方法旨在通过提高 LLM 驱动的 SQL …
-
Text-to-SQL LLM 风险：数据泄露和成本超支
Text-to-SQL 是一个已解决的问题的观念是一个危险的迷思，因为 LLM 会生成非确定性的 SQL 查询，对敏感数据构成风险。将整个模式馈送给 LLM 或使用语义代理层等方法可能导致数据损坏或上下文窗口限制等问题。一个更健壮的解决方案涉及一个“硬门控 SQL 沙盒”，它使用抽象语法树 (AST) 验证器在执行前检查生成的 SQL 是否存在未经授权的访问或连接，同时在数据库层面进行资源治理以防止过度的计算成本。
-
新的主动学习策略改进了文本到SQL的示例选择
研究人员开发了一种新的主动学习策略，用于在文本到SQL系统中选择少样本示例。该方法解决了诸如注释可靠性变化和查询嵌入中语义多样性需求等挑战。提出的分层贪婪算法优化了异方差互信息目标，提供了理论保证和经验证据，表明在保持准确性的同时减少了标注工作量。
-
新系统通过自动化规则学习提高文本到SQL的准确性
研究人员开发了新的方法来提高文本到SQL系统的准确性，该系统将自然语言问题转换为数据库查询。TAHOE使用自动提示优化系统从错误中学习并指导大型语言模型，显著提高了在Spider 2.0-Snow等基准测试上的性能。SOMA-SQL通过生成合成查询日志并使用执行探测来解决含糊不清或不明确的问题，其表现优于最先进的基线。ZAS-SQL从失败案例中提炼规则以提高零样本文本到SQL的性能，确立了新的最先进水平，超越了一些少样本和微调方法。
-
LLM SQL Guard 架构增强数据分析安全性
本文概述了一种“SQL Guard”的架构，旨在增强文本到SQL和数据分析代理系统的安全性和治理能力。所提出的架构包括用于解析SQL查询、将其绑定到目录、执行策略、评估风险以及维护审计日志的组件。目标是确保生成的SQL查询在执行前经过确定性的语义、权限和审计检查。
-
新的EntSQL基准测试企业知识中的文本到SQL
研究人员推出了EntSQL，一个旨在评估企业环境中文本到SQL能力的新基准测试。与之前的基准测试不同，EntSQL专注于在长上下文、专有业务文档中进行SQL生成。该基准测试包含跨越五个业务领域的1,066个对齐的中英文示例，其中许多示例需要超出即时问题和模式的知识。当前系统在此任务上面临挑战，表现最好的模型在提供长篇文档时，在英文输入上的准确率仅为15.9%。
-
新框架通过LLM提升企业文本到SQL能力
研究人员开发了两个新框架ProSPy和APEX-SQL，旨在提高企业环境中文本到SQL系统的准确性和效率。这些系统利用大型语言模型，但在处理复杂数据库、不完整元数据和各种SQL方言时遇到困难。ProSPy采用了一个四阶段流程，包括数据剖析、模式修剪和混合SQL-Python分析，在基准数据集上使用Claude-4.5-Opus实现了超过60%的执行准确率。APEX-SQL引入了一种具有假设验证循环的代理探索方法，在BIRD和Spide…
-
新方法通过执行反馈提高 Text-to-SQL 的准确性
研究人员开发了多种新方法来改进 Text-to-SQL 系统，该系统将自然语言问题转换为 SQL 查询。这些方法侧重于增强模式链接和利用执行反馈来优化 SQL 生成。GATE、ACE-SQL、CAPER 和 SIRIUS-SQL 等技术旨在应对复杂数据库模式和不明确查询带来的挑战，从而生成更准确、更鲁棒的 SQL 输出。
-
DisasterLex框架通过知识图谱增强灾害数据查询
研究人员开发了DisasterLex，一个旨在改进灾害分析数据库自然语言查询的新框架。该系统利用专家知识图谱（EKG）将用户查询与复杂的地理空间模式连接起来，从而实现更准确、更具上下文感知的数据检索。DisasterLex通过四个阶段来识别查询实体、将它们路由到正确的域、规划因果关系上的操作，并最终将查询转化为SQL，其性能优于现有的文本到SQL方法。
-
EviLink通过不确定性引导证据获取改进了文本到SQL的模式链接
研究人员开发了EviLink，一种用于文本到SQL系统的新型模式链接方法。该方法通过将模式链接重构为对多个潜在SQL路径的不确定性感知推理，解决了从大型数据库中识别相关模式上下文的挑战。EviLink区分了必需的模式元素和依赖于路径的元素，仅在需要时获取证据。在BIRD-Dev和Spider2-Snow数据集上的实验表明，EviLink在管理令牌成本的同时提高了模式的完整性和相关性，在Spider2-Snow上实现了90.15%的字段…
-
新框架通过知识注入提升低资源Text-to-SQL模型性能
研究人员开发了一个新的知识感知框架，以改进Text-to-SQL模型，特别是在低资源环境下。该方法构建了一个包含模式语义、业务逻辑和查询模式的任务特定知识库。通过在训练和推理中注入这些知识，该框架生成多样化的合成数据并提高模型性能，在开源和闭源大型语言模型的七个基准测试中均显示出显著改进。
-
DivSkill-SQL通过互补代理训练提升文本到SQL集成能力
研究人员开发了DivSkill-SQL，一个用于增强文本到SQL集成的创新框架。该方法通过在现有集成失败的示例上训练新代理来优化互补技能，从而提高生成至少一个正确SQL候选的概率。在Spider2-Lite数据集上使用Opus-4.6和GPT-5.4基础模型进行测试时，该框架在Snowflake上将准确率提高了11.1个百分点，在BigQuery上提高了8.3个百分点。值得注意的是，这些优化后的技能在不同SQL方言和任务表述之间表现出…
-
新框架解决模型评估中的选后偏差问题
研究人员开发了一个名为选后分布模型评估（PS-DME）的新框架，以应对在预先不知道目标性能指标的情况下评估机器学习模型所面临的挑战。该方法使用e值来控制选后偏差，即使在数据依赖的预选之后，也能确保模型进行统计上有效的比较。在文本到SQL和网络性能等各个领域的实验表明，PS-DME在可靠地探索性能-可靠性权衡方面是有效的。
-
Michael Stonebraker 发现 Text-to-SQL 在真实企业数据上的准确率仅为 10%
图灵奖得主 Michael Stonebraker 在一个真实的企业数据仓库上评估了 text-to-SQL 的能力。他的发现显示准确率仅为 10%，远低于 80% 的基准测试。这一结果印证了 Stonebraker 过去对数据库技术的批评，并表明当前的 text-to-SQL 系统在处理真实企业数据的复杂性方面存在困难。
-
新框架通过灵活交互和细粒度反馈增强文本到SQL模型
研究人员开发了几个新框架来改进文本到SQL生成，特别是针对小型语言模型和复杂的数据库交互。FineStep和FINER-SQL引入了新颖的强化学习方法，具有步级信用分配和细粒度执行反馈，以提高准确性和效率。Rose-SQL利用小推理模型的上下文学习进行多轮查询，而FlexSQL专注于灵活的数据库交互和探索以更好地解释查询。此外，EGRefine通过优化命名约定来解决模式歧义，以提高各种模型在下游文本到SQL方面的性能。