Wav2SQL: Direct Generalizable Speech-To-SQL Parsing
Zhejiang University(浙江大学);State Grid Corporation of China(国家电网有限公司)
提出首个直接语音到SQL解析模型Wav2SQL,通过大规模预训练缓解数据稀缺,并引入语音重编程与梯度反转分类器提升域外泛化能力,相比基线准确率提升达2.5%。
2023-05-21 cs.CL cs.SD eess.AS
Progress-SQL: Improving Reinforcement Learning for Text-to-SQL via Progressive Rewards
East China Normal University(华东师范大学)
提出Progress-SQL,一种多轮强化学习框架,通过Oracle引导诊断树(ODT)生成子句级结构反馈,结合渐进式奖励(结构对齐、词汇对齐、延迟奖励和执行状态奖励),提升文本到SQL生成的准确性和鲁棒性。
2026-06-05 cs.AI cs.CL
KeyInst: Keyword Instruction for Improving SQL Formulation in Text-to-SQL
Jiangxi University of Finance and Economics(江西财经大学)
针对Text-to-SQL中自然语言与SQL内在差异导致的生成难题,提出KeyInst关键词指令方法,通过两种集成策略引导大模型生成SQL,构建专用基准StrucQL,实验证明其效果显著优于现有提示技术。
2024-10-18 cs.AI cs.CL cs.DB
EzSQL: An SQL intermediate representation for improving SQL-to-text Generation
Indian Institute of Information Technology(印度信息技术学院);National Institute of Technology(印度国家理工学院)
本文提出SQL中间表示EzSQL,通过简化运算符和关键字使SQL更接近自然语言,并以其作为预训练生成模型输入,在WikiSQL和Spider上取得最先进的SQL到文本生成效果,同时可增强Text-to-SQL解析器性能。
2025-04-09 cs.AI cs.CL
Improving Retrieval-augmented Text-to-SQL with AST-based Ranking and Schema Pruning
Huawei Technologies(华为技术有限公司);CSI(英国计算机科学研究所)
本文提出ASTReS框架,通过动态检索数据库信息、基于抽象语法树选择少样本示例,并利用小型高效模型生成近似SQL来增强Text-to-SQL语义解析,在单语和跨语言基准上均超越现有最先进方法。
2024-11-04 cs.AI cs.CL cs.DB
PromptMind Team at EHRSQL-2024: Improving Reliability of SQL Generation using Ensemble LLMs
PromptMind Team(PromptMind团队)
针对EHRSQL-2024共享任务的电子健康记录Text-to-SQL需求,提出基于LLM提示和微调的两种方法并集成,弥合知识差距、提升生成可靠性,获竞赛第二名,方法可迁移至同类领域任务。
2024-05-14 cs.AI cs.CL cs.DB
Bertrand-DR: Improving Text-to-SQL using a Discriminative Re-ranker
Got It AI R&D(Got It人工智能研发中心)
为了访问存储在关系数据库中的数据,用户需要理解数据库模式并使用诸如SQL之类的查询语言编写查询。为了简化这一任务,文本到SQL模型试图将用户的自然语言问题转换为相应的SQL查询。最近,已经开发了几种生成式文本到SQL模型。我们提出了一种新的判别重排序器,通过从文本到SQL生成器预测的波束输出中提取最佳SQL查询来提高生成文本到SQL模型的性能,从而提高了最佳查询在候选列表中但不在列表顶部的情况下的性能。我们构建了一个模式不可知的BERT微调分类器的重新排名。我们分析了不同查询难度级别的文本到SQL和重新排序模型的相对优势,并建议如何将这两种模型结合起来以获得最佳性能。我们通过将其应用于两个最先进的文本到SQL模型来证明重新排名器的有效性,并在撰写本文时在Spider排行榜上获得前4名。
2020-11-03 cs.AI cs.CL cs.LG
Improving Text-to-SQL with Schema Dependency Learning
Alibaba Group(阿里巴巴集团)
Text-to-SQL旨在将自然语言问题映射到SQL查询。基于草图的方法结合执行引导(EG)解码策略在WikiSQL基准测试中表现出很强的性能。然而,执行引导解码依赖于数据库执行,这显著地减慢了推理过程,因此对于许多现实世界的应用是不令人满意的。在本文中,我们提出了模式依赖引导的多任务文本到SQL模型(SDSQL),以指导网络有效地捕捉问题和模式之间的相互作用。所提出的模型优于所有现有的方法在这两个设置与或没有EG。我们发现模式依赖学习部分覆盖了EG的好处,并证明了对它的需求。没有EG的SDSQL大大减少了推理过程中的时间消耗,只牺牲了少量的性能,并为下游应用程序提供了更大的灵活性。
2021-12-10 cs.CL
EPI-SQL: Enhancing Text-to-SQL Translation with Error-Prevention Instructions
Jiangxi University of Finance and Economics(江西财经大学)
本文提出EPI-SQL框架,通过从Spider数据集生成通用错误预防指令并结合上下文定制,在零样本下使LLMs规避潜在错误,实现85.1%的执行准确率,性能媲美高级少样本方法。
2024-04-21 cs.AI cs.CL cs.DB
Improving Demonstration Diversity by Human-Free Fusing for Text-to-SQL
Harbin Institute of Technology(哈尔滨工业大学)
本文提出衡量文本到SQL演示多样性的指标,并设计无人工迭代融合方法Fused构建高多样性演示池,在多个数据集上平均提升3.2%至5.0%,降低标注成本。
2024-06-26 cs.CL
HES-SQL: Hybrid Reasoning for Efficient Text-to-SQL with Structural Skeleton Guidance
本文提出HES-SQL混合训练框架,通过融合思考模式的监督微调与GRPO,结合骨架完整性评分、查询延迟奖励和自蒸馏机制,在提升Text-to-SQL准确性的同时优化了查询执行效率。
2025-10-10 cs.AI cs.CL cs.DB
Improving Text-to-SQL Semantic Parsing with Fine-grained Query Understanding
Amazon AWS AI Labs(亚马逊AWS人工智能实验室)
文本到SQL语义解析的研究主要依赖于解析器本身或基于简单启发式的方法来理解自然语言查询。在合成SQL查询时,解析器没有可用的NLQ的显式语义信息,这导致不理想的泛化性能。此外,没有词汇级细粒度的查询理解,查询和数据库之间的链接只能依赖于模糊字符串匹配,这导致在实际应用中的次优性能。鉴于此,本文提出了一个通用的,模块化的神经语义解析框架,是基于令牌级细粒度查询理解。我们的框架包括三个模块:命名实体识别器(NER),神经实体链接器(NEL)和神经语义解析器(NSP)。NER模型通过对查询和数据库进行联合建模,分析用户意图并识别查询中的实体。NEL模型将类型化实体链接到数据库中的模式和单元值。解析器模型利用可用的语义信息和链接结果,并基于动态生成的语法合成树结构的SQL查询。在最新发布的语义解析数据集SQUALL上的实验表明,该模型在WikiTableQuestions(WTQ)测试集上的执行准确率为56.8%,比现有模型高出2.7%.
2022-09-28 cs.CL
RoboPhD: Self-Improving Text-to-SQL Through Autonomous Agent Evolution
Independent Researchers(独立研究者)
RoboPhD通过自主进化代理提升文本到SQL性能,无需外部指导,在低成本模型上实现显著改进。
2026-01-26 cs.CL
Decomposition for Enhancing Attention: Improving LLM-based Text-to-SQL through Workflow Paradigm
Sun Yat-sen University(中山大学);Platform and Content Group, Tencent(腾讯平台与内容事业群)
本文提出一种基于工作流范式的文本到SQL方法,通过信息确定、问题分类、自校正和主动学习等模块增强大语言模型的注意力与求解范围,在多个数据集上取得显著提升。
2024-07-03 cs.CL
SQL-Encoder: Improving NL2SQL In-Context Learning Through a Context-Aware Encoder
Huawei Technologies Canada Co. Ltd(华为技术加拿大有限公司);University of Alberta(阿尔伯塔大学)
本文提出SQL-Encoder模型,通过17万问题对数据集训练相似性预测,精准捕捉查询结构相似性,显著提升NL2SQL模型在1-shot上下文学习中的下游性能。
2024-03-24 cs.CL cs.DB cs.HC
From Natural Language to SQL: Review of LLM-based Text-to-SQL Systems
School of Computing and Informatics, University of Louisiana at Lafayette(路易斯安那大学拉斐特分校计算与信息学院);School of Mechanical Engineering, University of Louisiana at Lafayette(路易斯安那大学拉斐特分校机械工程学院)
本文综述了基于LLM的文本到SQL系统从规则模型到RAG增强方法的演进,并特别研究了图RAG在上下文准确性与模式链接中的作用,同时指出计算效率、鲁棒性和数据隐私等关键挑战。
2025-02-04 cs.AI cs.CL
SQLStructEval: Structural Evaluation of LLM Text-to-SQL Generation
ShanghaiTech University(上海科技大学);The University of Tokyo(东京大学);MBZUAI(穆罕默德·本·扎耶德人工智能大学)
本文提出SQLStructEval框架,通过抽象语法树分析LLM生成的SQL查询结构,发现现代LLM在相同输入下生成的查询结构多样且易受输入变化影响,通过编译式流程提升执行准确性和结构一致性。
2026-09-29 cs.CL cs.DB
Reinforcing Code Generation: Improving Text-to-SQL with Execution-Based Learning
University of Utah(犹他大学)
本文提出将文本到SQL生成建模为强化学习问题,利用数据库执行反馈作为奖励,在GRPO框架下仅用问答对弱监督微调,使SQL生成准确率从31.49%提升至49.83%,错误率从25.43%降至14.71%,接近SQLCoder-70B性能。
2025-06-06 cs.CL
Confidence Estimation for Text-to-SQL in Large Language Models
针对大语言模型Text-to-SQL无真实答案时的查询可靠性评估问题,探索黑盒(一致性方法)与白盒(SQL语法感知方法)置信度估计策略,结合执行接地信号提升效果,在跨域基准验证了方法优势。
2025-08-08 cs.CL cs.DB
DualSQL: Text-to-SQL with Multi-Agent Reinforcement Learning
The Ohio State University(俄亥俄州立大学);Google LLC(谷歌有限责任公司)
DualSQL提出一种基于共享模型骨干的双智能体强化学习框架,通过联合优化模式链接与SQL生成,并引入REX度量,以少量数据训练达到超越32B模型的性能。
2026-09-17 cs.AI cs.CL cs.DB
Dubo-SQL: Diverse Retrieval-Augmented Generation and Fine Tuning for Text-to-SQL
Mercator Technologies(墨卡托科技)
Dubo-SQL通过低成本微调、多样化RAG及新输入输出格式,在BIRD-SQL上以GPT-3.5 Turbo超越GPT-4模型,并推出v2进一步提升性能。
2024-04-19 cs.CL cs.DB
STaR-SQL: Self-Taught Reasoner for Text-to-SQL
Zhejiang University(浙江大学);OPPO Research Institute(OPPO研究院)
提出 STaR-SQL,通过推理依据微调与 ORM 验证增强 text-to-SQL,在 Spider 上以 86.6% 执行准确率显著超越多种基线。
2025-02-19 cs.CL
SPFT-SQL: Enhancing Large Language Model for Text-to-SQL Parsing by Self-Play Fine-Tuning
Harbin Institute of Technology(哈尔滨工业大学);Pengcheng Laboratory(鹏城实验室)
针对自博弈微调在Text-to-SQL任务中因正确SQL过多而削弱主模型生成能力的问题,提出SPFT-SQL方法,通过验证迭代微调构建模型基座,并采用错误驱动损失使主模型区分正确与错误SQL,在多个基准上超越SOTA。
2025-10-11 cs.AI cs.CL
COAL-SQL: Coverage-Guided Augmentation and Failure-Driven Learning for Text-to-SQL Post-Training
Peking University(北京大学);Beihang University(北京航空航天大学)
COAL-SQL通过覆盖引导增强和失败驱动学习,以少量后训练数据提升文本到SQL生成的结构覆盖与执行准确率。
2026-09-21 cs.CL cs.DB
End-to-end Text-to-SQL Generation within an Analytics Insight Engine
Distyl AI(Distyl AI公司);Polytechnique Montréal(蒙特利尔理工学院)
针对企业级Text-to-SQL面临的高复杂度查询支持、低延迟需求、领域术语理解三大挑战,提出基于大语言模型、外部知识检索、层级CTE分解及反馈适配的端到端生成流水线。
2024-06-17 cs.AI cs.CL cs.DB
KaggleDBQA: Realistic Evaluation of Text-to-SQL Parsers
University of Washington(华盛顿大学);Microsoft Research(微软研究院)
数据库问答的目标是在不同的应用领域中实现对现实生活中的关系数据库的自然语言查询。最近,Spider和WikiSQL等大规模数据集促进了文本到SQL解析的新建模技术,改善了对未知数据库的zero-shot泛化。在这项工作中,我们研究的挑战,仍然阻止这些技术的实际部署。首先,我们介绍了KaggleDBQA,一个新的跨域的真实Web数据库的评估数据集,特定于域的数据类型,原始格式,和无限制的问题。第二,我们重新审视文本到SQL解析器在现实生活中应用的评估任务的选择。最后,我们增加了我们的领域内的评估任务与数据库文档,一个自然发生的源隐含的领域知识。我们表明,KaggleDBQA提出了一个挑战,国家的最先进的zero-shot解析器,但更现实的评估设置和创造性地使用相关的数据库文档提高了13.2%以上的准确性,使其性能翻了一番。
2021-06-22 cs.AI cs.CL cs.DB
SQLSpace: A Representation Space for Text-to-SQL to Discover and Mitigate Robustness Gaps
University of Maryland(马里兰大学);Adobe Research(Adobe研究)
提出 SQLSpace 表示空间,通过分析基准组成、细粒度评估模型性能及有针对性查询重写,发现并缓解 text-to-SQL 模型的鲁棒性差距。
2025-10-31 cs.CL
Open-SQL Framework: Enhancing Text-to-SQL on Open-source Large Language Models
Shenzhen University(深圳大学);Shenzhen Institute of Advanced Technology (SIAT), Chinese Academy of Sciences (CAS)(中国科学院深圳先进技术研究院)
本文提出Open-SQL框架,通过开放提示、监督微调、思维链少样本示例及多种token高效模式裁剪技术,显著提升开源LLM的Text-to-SQL性能。
2024-05-04 cs.AI cs.CL
DIN-SQL: Decomposed In-Context Learning of Text-to-SQL with Self-Correction
University of Alberta(阿尔伯塔大学)
针对text-to-SQL任务中LLM提示方法性能不及微调模型的问题,提出DIN-SQL分解式上下文学习方法,通过拆分子问题提升性能,在Spider和BIRD基准上刷新SOTA。
2023-11-02 cs.AI cs.CL cs.DB
Reward-SQL: Boosting Text-to-SQL via Stepwise Execution-Aware Reasoning and Process-Supervised Rewards
Renmin University of China(中国人民大学);Tsinghua University(清华大学);Alibaba Cloud Computing(阿里云 computing)
针对强化学习在Text-to-SQL中缺乏逐步执行感知推理和过程级奖励的问题,提出CoCTE框架和Reward-SQL方法,通过中间视图验证、结构化CTE及过程奖励模型,显著提升复杂查询的准确性和可解释性。
2026-06-15 cs.CL cs.LG
Graphix-T5: Mixing Pre-Trained Transformers with Graph-Aware Layers for Text-to-SQL Parsing
Alibaba DAMO Academy(阿里巴巴达摩院)
文本到SQL解析的任务旨在将自然语言问题转换为可执行的SQL查询,近年来已经获得了越来越多的关注,因为它可以帮助最终用户有效地从数据库中提取重要信息,而不需要技术背景。文本到SQL解析中的主要挑战之一是领域泛化,即,如何很好地推广到未知数据库。最近,预训练的文本到文本的Transformer模型,即T5,虽然不是专门用于文本到SQL解析,但在针对领域泛化的标准基准测试中已经实现了最先进的性能。在这项工作中,我们探索了进一步增强预训练的T5模型的方法,其中包含用于文本到SQL解析的专用组件。这些组件预计将引入结构归纳偏见文本到SQL解析器,从而提高模型的能力(潜在的多跳)推理,这是生成结构丰富的SQL的关键。为此,我们提出了一个新的架构GRAPHIX-T5,一个混合模型与标准的预训练的Transformer模型增强了一些专门设计的图形感知层。大量的实验和分析表明,GRAPHIX-T5在四个文本到SQL基准测试:SPIDER,SYN,REALISTIC和DK上的有效性。GRAPHIX-T5以显著的优势超越了所有其他基于T5的解析器,实现了新的最先进的性能。值得注意的是,GRAPHIX-T5-large在精确匹配(EM)准确性和执行准确性(EX)方面的达到性能优于原始T5-large 5.7%。这甚至比T5-3B在EM上高出1.2%,在EX上高出1.5%。
2023-01-18 cs.CL cs.DB
JOLT-SQL: Joint Loss Tuning of Text-to-SQL with Confusion-aware Noisy Schema Sampling
Zhengzhou University(郑州大学);Zhengzhou University of Aeronautics(郑州航空工业管理大学);Wuhan University(武汉大学)
针对Text-to-SQL任务中SFT方法的复杂多阶段流程及噪声模式鲁棒性差问题,提出单阶段SFT框架JOLT-SQL,通过统一损失联合优化模式链接与SQL生成,结合混淆感知噪声模式采样策略,在基准测试中实现最优执行准确率并提升效率。
2025-09-23 cs.CL
SQLong: Enhanced NL2SQL for Longer Contexts with LLMs
Oracle Corporation(Oracle公司)
针对大语言模型在长上下文大型数据库模式下NL2SQL性能下降的问题,提出SQLong数据增强框架,通过合成表命令与数据行扩展模式生成增强数据集,实验证明其可显著提升模型在复杂库模式场景下的NL2SQL表现。
2025-05-20 cs.AI cs.CL cs.LG
SCARE: A Benchmark for SQL Correction and Question Answerability Classification for Reliable EHR Question Answering
Korea Advanced Institute of Science & Technology(韩国科学技术院)
SCARE是一个用于评估SQL校正和问题可回答性分类的基准,旨在提升EHR问答系统的安全性与可靠性。
2025-12-21 cs.CL cs.DB
I Need Help! Evaluating LLM's Ability to Ask for Users' Support: A Case Study on Text-to-SQL Generation
Appier AI Research(沛星人工智能研究院);National Taiwan University(台湾大学)
本文以文本到SQL生成为例,提出评估指标研究大语言模型主动请求用户支持的能力,发现缺乏外部反馈时模型难以识别求助需求,强调外部信号的重要性。
2024-09-30 cs.AI cs.CL
Retrieval augmented text-to-SQL generation for epidemiological question answering using electronic health records
Bayer AG(拜耳公司)
本文提出结合医学编码与 RAG 的端到端 text-to-SQL 方法,用于基于 EHR 和理赔数据回答流行病学问题,并在真实行业场景中验证其优于简单提示。
2024-05-16 cs.CL
Dr.Spider: A Diagnostic Evaluation Benchmark towards Text-to-SQL Robustness
Ohio State University(俄亥俄州立大学);AWS AI Labs(亚马逊云服务人工智能实验室)
神经文本到SQL模型在将自然语言问题转换为SQL查询方面取得了显着的性能。然而,最近的研究表明,文本到SQL模型容易受到特定于任务的干扰。以前策划的鲁棒性测试集通常专注于个别现象。在本文中,我们提出了一个全面的鲁棒性基准的基础上蜘蛛,跨域的文本到SQL基准,诊断模型的鲁棒性。我们设计了17个数据库、自然语言问题和SQL查询的扰动,从不同的角度来衡量鲁棒性。为了收集更多样化的自然问题扰动,我们利用大型预训练语言模型(PLM)来模拟人类在创建自然问题时的行为。我们对鲁棒性集上的最先进模型进行了诊断研究。实验结果表明,即使是最强大的模型也会遭受14.0%的整体性能下降和50.7%的最具挑战性的扰动性能下降。我们还提出了关于文本到SQL模型设计的故障分析,并为提高模型的鲁棒性提供了见解。
2023-01-29 cs.CL
Test-Time Verification for Text-to-SQL via Outcome Reward Models
Polytechnic University of Bari(巴里理工大学);IBM T.J. Watson Research Center(IBM T.J.沃森研究中心)
提出结果奖励模型(ORM)作为学习型语义评分函数,用于Text-to-SQL的测试时验证,通过自动化候选生成和执行标签训练ORM,在BIRD和Spider基准上优于执行优先和多数投票方法。
2026-07-01 cs.AI cs.CL cs.DB
LG AI Research & KAIST at EHRSQL 2024: Self-Training Large Language Models with Pseudo-Labeled Unanswerable Questions for a Reliable Text-to-SQL System on EHRs
LG AI Research(LG AI研究院);KAIST(韩国科学技术院)
本文提出用伪标注不可回答问题进行两阶段自训练,并结合 token 熵与查询执行过滤,提升 EHR Text-to-SQL 系统识别不可回答问题的可靠性,在 EHRSQL 2024 取得顶尖成绩。
2024-05-18 cs.CL
GradeSQL: Test-Time Inference with Outcome Reward Models for Text-to-SQL Generation from Large Language Models
本研究提出GradeSQL框架,针对Text-to-SQL任务训练结果奖励模型(ORMs),在BIRD和Spider数据集上验证其作为测试时启发式策略的效果,性能优于ex-BoN和多数投票方法,且候选数增加时提升更显著。
2025-10-29 cs.AI cs.CL cs.DB
Multilingual Text-to-SQL: Benchmarking the Limits of Language Models with Collaborative Language Agents
Griffith University(格里菲斯大学)
该研究提出覆盖八种语言的 MultiSpider 2.0 多语言 Text-to-SQL 基准,并通过协作语言智能体迭代优化 SQL,揭示当前 LLM 的显著跨语言性能差距。
2025-09-29 cs.AI cs.CL cs.DB
ProSPy: A Profiling-Driven SQL-Python Agentic Framework for Enterprise Text-to-SQL
State Key Lab of CAD&CG(计算机辅助设计与图形学国家重点实验室);School of Software Technology(软件技术学院);Tencent TEG(腾讯科技集团);School of Mathematical Sciences, Peking University(北京大学数学科学学院);Zhejiang University(浙江大学)
提出ProSPy框架,通过自动剖析、模式剪枝、中间视图获取和Python分析四阶段,结合SQL高效性与Python灵活性,解决企业级数据库Text-to-SQL中的模式异构、元数据不完整和复杂分析问题。
2026-06-04 cs.CL
Filling Memory Gaps: Enhancing Continual Semantic Parsing via SQL Syntax Variance-Guided LLMs without Real Data Replay
Xi’an Research Institute of High-Tech(西安高技术研究所);Harbin Institute of Technology(哈尔滨工业大学)
针对持续语义解析中现有方法存在的数据隐私问题及对理想设置的依赖,提出LECSP方法,通过SQL语法分析引导LLM重建记忆并校准,结合任务感知双教师蒸馏,在无真实数据重放下实现更优的抗遗忘与泛化效果。
2024-12-10 cs.CL cs.DB
Uncovering and Categorizing Social Biases in Text-to-SQL
Carnegie Mellon University(卡内基梅隆大学);Peking University(北京大学);ETH Zurich(苏黎世联邦理工学院);Microsoft Research(微软研究院)
针对 Text-to-SQL 模型在中立数据集上训练可能掩盖社会偏见的问题,本文构建测试基准并分类结构化数据中的偏见,揭示准确率相近模型的偏见率差异。
2023-06-07 cs.CL
SQuaD-SQL: Efficient Text-to-SQL with Small Language Models via LLM-Guided Knowledge Distillation
The University of Liverpool(利物浦大学);University of Macau(澳门大学);University of Chinese Academy of Sciences(中国科学院大学);Tsinghua University(清华大学);Microsoft(微软);Shanghai University of International Business and Economics(上海国际经贸管理大学);Huizhou University(惠州市大学)
研究如何让小语言模型在文本到SQL任务中接近大语言模型性能。核心方法是通过知识蒸馏和合成数据生成,包含基于大语言模型的合成数据生成、参数高效微调和领域自适应微调三个关键组件。主要贡献是在WikiSQL数据集上执行准确率达86.9%,推理更快、内存使用更低。
2026-07-10 cs.CL cs.CV
Seq2SQL: Generating Structured Queries from Natural Language using Reinforcement Learning
Salesforce Research(Salesforce 研究院)
世界上大量的知识存储在关系数据库中。然而,由于缺乏对诸如SQL的查询语言的理解,用户从数据库检索事实的能力是有限的。我们提出了Seq2SQL,这是一种深度神经网络,用于将自然语言问题转换为相应的SQL查询。我们的模型利用SQL查询的结构来显着减少生成的查询的输出空间。此外,我们使用的回报,从在数据库的循环查询执行学习的政策,以产生无序的部分查询,我们表明是不太适合通过交叉熵损失优化。此外,我们还将发布WikiSQL,这是一个包含80654个手工注释的问题和SQL查询示例的数据集,分布在维基百科的24241个表中。该数据集是训练我们的模型所必需的,并且比可比数据集大一个数量级。通过将基于策略的强化学习与查询执行环境应用于WikiSQL,我们的模型Seq2SQL优于注意序列到序列模型,将执行准确率从35.9%提高到59.4%,逻辑形式准确率从23.4%提高到48.3%。
2017-11-09 cs.AI cs.CL
Fact-Consistency Evaluation of Text-to-SQL Generation for Business Intelligence Using Exaone 3.5
LG Electronics(LG电子)
本文提出基于Exaone 3.5的事实一致性评估框架,构建包含219个业务问题的基准,评估LLM在商业智能场景下的Text-to-SQL生成能力,揭示了其在复杂任务中的局限性并强调验证层需求。
2025-04-30 cs.AI cs.CL cs.LG
Rethinking Schema Linking: A Context-Aware Bidirectional Retrieval Approach for Text-to-SQL
University of Alberta, Canada(阿尔伯塔大学);Huawei Technologies Canada Co., Ltd., Canada(华为技术加拿大有限公司)
本文提出了一种上下文感知的双向检索方法,用于提升文本到SQL系统的模式链接精度与效率。
2026-01-26 cs.CL cs.IR
Grounding Natural Language to SQL Translation with Data-Based Self-Explanations
School of Computer Science, Fudan University(复旦大学计算机科学学院);Institute of Artificial Intelligence (TeleAI), China Telecom(中国电信人工智能研究所)
本文提出CycleSQL框架,通过数据驱动的自我解释提升自然语言到SQL翻译的准确性和可解释性。
2025-03-13 cs.CL cs.DB
Agentic LLMs for Question Answering over Tabular Data
本文提出一种基于大语言模型的自然语言转SQL多阶段流水线方法,用于表格数据问答,在DataBench基准上显著超越基线,准确率达70.5%和71.6%。
2025-09-11 cs.CL
ModularSQL: A Runtime Guardrail for the Multiplicity Blind Spot in Text-to-SQL
University of Southern California(南加州大学);Northeastern University(东北大学)
针对文本到SQL系统在基准评估中忽略多重性错误的问题,提出ModularSQL运行时防护栏,通过Multiset-EX评估暴露盲点,并利用确定性补丁和低成本LLM救援,以微小开销提升执行安全性。
2026-09-25 cs.CL
Improving Generalization in Semantic Parsing by Increasing Natural Language Variation
Institute for Language, Cognition and Computation(语言、认知与计算研究所);School of Informatics, University of Edinburgh(爱丁堡大学信息学院)
针对 text-to-SQL 语义解析模型在 Spider 基准上因问题语言形式单一而难以泛化的问题,利用大型语言模型进行数据增强生成更多样真实的问题,显著提升了模型在鲁棒性基准和域外数据上的表现。
2024-02-13 cs.CL
Improving LLM Leaderboards with Psychometrical Methodology
Johannes Gutenberg University Mainz(美因茨约翰内斯古滕贝格大学);Goethe University Frankfurt(法兰克福大学)
本文提出应用现代心理测量学方法改进LLM排行榜排名,通过Hugging Face Leaderboard数据对比证明该方法比传统平均分聚合更稳健、更有意义。
2025-01-27 cs.AI cs.CL stat.AP
$R^3$-NL2GQL: A Model Coordination and Knowledge Graph Alignment Approach for NL2GQL
School of Computer Science, Fudan University(复旦大学计算机科学学院);Institute of Fintech, Fudan University(复旦大学金融科技研究院);School of Electronics and Information Engineering, Tongji University(同济大学电子与信息工程学院);Tandon School of Engineering, New York University(纽约大学坦登工程学院);DataGrand Inc.(数据堂公司)
本文提出R^3-NL2GQL方法,通过协同小型与大型基础模型完成排序、重写和精炼,并构建双语数据集以解决自然语言到GQL转换中数据稀缺及GQL多样性问题。
2024-07-01 cs.CL cs.DB