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。
-
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。