AITOPAI热报

Text-to-SQL

共 7 条相关 AI 资讯
9月1日
09:08
09:08官方账号arXiv cs.AI@Yujia Liu, Jiayan Lin, Zijin Hong, Zheng Yuan, Shengyuan Chen, Hao Chen, Qinggang Zhang, Xiao Huang, Feiran Huang
精选73°
研究团队推出TIDE-Bench基准，评估大语言模型在链式模糊和意图漂移场景下的对话式Text-to-SQL能力。该基准基于BIRD数据集的514个锚定SQL构建，包含1,542个样本。评估了12个先进LLM，发现链式识别瓶颈不受澄清频率影响，意图漂移识别-解决存在显著差距，且两种失败模式同时激活时会相互重叠。
论文TIDE-BenchText-to-SQLLLM
推荐理由：研究人员发布了TIDE-Bench基准，专门测试LLM在复杂对话SQL中的意图理解能力，发现现有模型在链式识别和意图漂移处理上仍有明显不足。
原文
8月18日
10:25
10:25官方一手arXiv: DeepSeek@Changruo Zhao, Zujun Peng, Yu Tian, Yuting Liu, Yiyun Su, Huiying Zhu, Luyan Zhang, Heming Zeng
该论文将 LLM Text-to-SQL 领域的进展重组为排行榜聚合，并沿推理自主度轴划分出受限、上下文、迭代、智能体、推理内化五类生成方式。作者在 Spider 基准上做了案例研究，对比 8B 开源模型与 few-shot DeepSeek V3、GLM-4 基线，发现 Spider 成绩迁移到 BIRD 和 Spider 2.0 时不均衡。研究还指出自主性提升能增强鲁棒性但代价不小，CoT 收益集中在 Hard 和 Extra-Hard 查询上。论文发布了对应自主度轴的 Python 工具，供新方法直接接入排行榜。
论文Text-to-SQLSpiderDeepSeek V3
推荐理由：做 Text-to-SQL 的可以看看这份排行榜聚合方法，它把不同模型和推理方式按自主度归类，还给出了在 Spider、BIRD 上的实测对比，省得自己瞎比较。
原文
6月17日
09:31
09:31官方一手arXiv: DeepSeek@Esteban Schafir, Xu Zheng, Hojat Allah Salehi, Zhuomin Chen, Mo Sha, Wei Cheng, Dongsheng Luo
精选
DecoSearch是一个无需训练的Text-to-SQL框架，通过轻量级Schema Selector修剪数据库模式，LLM Judger判断查询是否需要分解为DAG子问题。在BIRD上达到70.53%执行准确率，在Spider上达88.31%，使用DeepSeek作为骨干模型，比训练无关基线消耗少一个数量级的token。该方法还可作为模型无关包装器，一致提升微调后的SQL生成骨干性能。
AI模型DecoSearchDeepSeekText-to-SQL
推荐理由：DecoSearch不用训练就能把自然语言转SQL，在BIRD和Spider上准确率分别超70%和88%，比同类方法省十倍token。想提升SQL生成效率可以看看。
原文
6月13日
13:54
09:43
6月11日
11:11
11:11官方账号arXiv cs.AI@Zhiyi Chen, Jie Song, Peng Li
精选72°
TAHOE 是一个新型 Text-to-SQL 系统，通过将提示优化视为动态数据管理问题来提升 LLM 的 SQL 生成质量。它利用错误驱动的提示学习管道，在开发和部署阶段将调试痕迹整合到结构化的提示库中，包括语法提示和语义提示。TAHOE 还引入策略层来建模冲突的用户意图，并通过逻辑规划和 SQL 合成指导推理。在 Spider 2.0-Snow 基准测试中，TAHOE 将 GPT-5.5 的通过率从 61.95% 提升至 79.42%，并实现了 100% 的 Snowflake 语法通过率。该提示库还可迁移到更弱的模型，如 Doubao-2.0-lite 上获得 19.7 个百分点的通过率提升。
论文Text-to-SQL提示优化LLM
推荐理由：TAHOE 解决了 Text-to-SQL 从原型到生产部署的痛点——无需微调模型即可大幅提升 SQL 生成准确率，做数据库应用或数据分析的开发者可以直接用这套方法优化现有 LLM 管线。
原文
5月11日
11:43