CrackSQL: A Hybrid SQL Dialect Translation System Powered by Large Language Models
Shanghai Jiao Tong Univ.(上海交通大学);Tsinghua University(清华大学)
针对异构数据库间 SQL 方言翻译的语法差异与语义变化难题,提出首个混合系统 CrackSQL,结合规则与 LLM 方法,通过基于功能的查询分割、跨方言语法嵌入模型及局部到全局翻译策略提升准确性与鲁棒性。
2025-04-01 cs.AI cs.CL cs.DB
OpenSearch-SQL: Enhancing Text-to-SQL with Dynamic Few-shot and Consistency Alignment
Alibaba Cloud(阿里云)
针对多智能体LLM在Text-to-SQL任务中存在的框架不完善、指令遵循差与幻觉问题,提出含一致性对齐模块、SQL-Like中间语言及动态少样本策略的OpenSearch-SQL框架,在BIRD数据集三项指标上取得同期最优。
2025-02-19 cs.AI cs.CL cs.IR
Hybrid Retrieval and Multi-stage Text Ranking Solution at TREC 2022 Deep Learning Track
Alibaba Group(阿里巴巴集团(Alibaba Group))
针对TREC 2022深度学习赛道任务,提出融合稀疏与稠密检索的混合检索方案,搭配全交互排序模型加轻量子排序模块的多阶段排序方法,在段落、文档排序测试集上分获第1、第4名。
2023-08-23 cs.CL cs.IR
H-STAR: LLM-driven Hybrid SQL-Text Adaptive Reasoning on Tables
Virginia Tech(弗吉尼亚理工大学);Arizona State University(亚利桑那州立大学);University of Pennsylvania(宾夕法尼亚大学)
本文提出LLM驱动的H-STAR算法,通过两阶段过程结合符号与语义推理进行表格推理,在多个数据集上显著优于现有方法。
2025-04-07 cs.AI cs.CL cs.DB
FLEX: Expert-level False-Less EXecution Metric for Reliable Text-to-SQL Benchmark
Yanolja(야놀자(Yanolja));Ajou University(明知大学)
本文提出基于 LLM 模拟专家判断的 FLEX 指标,以解决 EX 在 Text-to-SQL 评估中的假阳性和假阴性问题,并显著提升人类一致性及基准排名可靠性。
2024-10-28 cs.CL cs.IR cs.LG
Replacing Training with Memory: Listwise Selection for Text-to-SQL
Seoul National University(首尔大学);KAIST(韩国科学技术院);IPAI(IPA研究所)
提出无需微调的列表式选择器MaP-SQL,以记忆替代微调目标,在Text-to-SQL基准上较R^3-SQL提升执行准确率且减少令牌数,实现更稳定高效的选择。
2026-09-02 cs.AI cs.CL cs.SE
AutoLink: Autonomous Schema Exploration and Expansion for Scalable Schema Linking in Text-to-SQL at Scale
AutoLink通过自主代理框架实现大规模文本到SQL的模式探索与扩展,提升模式链接的召回率和可扩展性。
2025-11-21 cs.CL cs.DB
RingSQL: Schema-Independent Synthetic Data Generation for Text-to-SQL Reinforcement Learning
Northwestern University(西北大学);Purdue University(普渡大学)
RingSQL通过结合不依赖模式的模板和大语言模型生成,提升文本到SQL模型的准确性和多样性
2026-08-06 cs.CL cs.LG
R$^3$-SQL: Ranking Reward and Resampling for Text-to-SQL
ETRI(电子科技大学);Seoul National University(首尔国立大学);Snowflake AI Research(Snowflake人工智能研究)
R³-SQL通过统一奖励和重采样解决文本到SQL中排名不一致和正确SQL缺失的问题,提升了执行准确率。
2026-04-28 cs.AI cs.CL cs.SE
Enhancing Accuracy and Maintainability in Nuclear Plant Data Retrieval: A Function-Calling LLM Approach Over NL-to-SQL
Ontario Power Generation(安大略省电力公司);Dalhousie University(达尔豪斯大学)
针对核电厂运行数据检索中 NL-to-SQL 难验证、遗留数据库复杂的问题,提出由 LLM 调用预批准函数并封装专家验证 SQL 的框架,提升准确性与可维护性。
2025-06-10 cs.CL cs.LG
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
$R^3$-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
SAFENLIDB: A Privacy-Preserving Safety Alignment Framework for LLM-based Natural Language Database Interfaces
针对基于LLM的NLIDB面临的隐私泄露风险,提出SAFENLIDB框架,通过自动化混合思维链数据生成、推理预热和交替偏好优化,在复杂攻击下提升安全性能并降低误报率,同时保持SQL查询可靠性。
2025-11-11 cs.CL
An Iterative LangGraph Agent for Text-to-SQL: Natural Language Access to the Chicago Crime Database
Luddy School of Informatics, Computing and Engineering, Indiana University(印第安纳大学卢迪信息学、计算与工程学院)
本研究构建了一个六节点LangGraph智能体,通过提示工程实现文本到SQL,在芝加哥犯罪数据集上达到93%的有效SQL率和60%的执行准确率,验证了无需微调即可端到端弥合非技术用户与数据库之间鸿沟的可行性。
2026-10-15 cs.AI cs.CL cs.DB
IROH: Insightful Ranking Of Humor using Multi-Stage Hybrid Retrieval with Rationale-Distilled LLM Judges for JOKER 2026 Track Task 1 English
National University of Science and Technology POLITEHNICA Bucharest(布加勒斯特国立科技大学POLITEHNICA);Academy of Romanian Scientists(罗马尼亚科学院)
VANGUARD团队提出IROH三阶段检索系统,结合混合检索、交叉编码器重排序和理由蒸馏LLM裁判,在JOKER 2026任务1中以0.6347 MAP夺冠,并揭示理由蒸馏裁判是排名质量的关键。
2026-09-30 cs.CL cs.IR
SCOPE:Planning for Hybrid Querying over Clinical Trial Data
Arizona State University(亚利桑那州立大学);Mayo Clinic(梅奥诊所)
本文提出SCOPE框架,通过多LLM规划分解任务,提升临床试验数据的推理准确性与效率,解决隐含属性提取问题。
2026-04-30 cs.CL
BudgetSchemaBench: A Budget-Swept Diagnostic for Schema Context in Text-to-SQL
Megagon Labs
本文提出BudgetSchemaBench,一个基于执行结果的诊断基准,用于评估文本到SQL中不同模式上下文预算和序列化方式对执行准确率的影响,发现预算比序列化方式更关键。
2026-10-02 cs.AI cs.CL cs.DB
Open-source Large Language Models are Strong Zero-shot Query Likelihood Models for Document Ranking
CSIRO(联邦科学与工业研究组织);The University of Queensland(昆士兰大学)
本文研究仅预训练未微调的开源LLMs作为零样本查询似然模型的文档排序能力,发现额外指令微调可能降低效果,并提出结合LLM-QLM与混合检索器的先进排序系统。
2023-10-20 cs.CL cs.IR
STAR: SQL Guided Pre-Training for Context-dependent Text-to-SQL Parsing
University of Science and Technology of China(中国科学技术大学);Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院);DAMO Academy, Alibaba Group(阿里巴巴集团达摩院)
在本文中,我们提出了一种新的SQL引导的预训练框架STAR上下文相关的文本到SQL解析,它利用上下文信息,以丰富自然语言(NL)的话语和表模式表示文本到SQL的对话。具体地说,我们提出了两个新的预训练目标,分别探讨了在每个文本到SQL对话中的NL语句和SQL查询的上下文相关交互:(i)模式状态跟踪(SST)目标,通过预测和更新交互期间每个模式槽的值,以模式状态的形式跟踪和探索上下文相关SQL查询的模式状态;(ii)话语依赖性跟踪(UDT)目标,其采用加权对比学习来将两个语义上相似的NL话语拉在一起,并且在每个对话内推开语义上不相似的NL话语的表示。此外,我们构建了一个高质量的大规模上下文相关的文本到SQL会话语料库预训练STAR。大量的实验表明,STAR在两个下游基准测试(SParC和CoSQL)上实现了新的最先进的性能,显著优于以前的预训练方法,并在排行榜上排名第一。我们相信构建的语料库、代码库和预训练的STAR检查点的发布将推动这一领域的研究。为了重现性,我们在https://github.com/AlibabaResearch/DAMO-ConvAI/tree/main/star上发布我们的代码和数据。
2022-10-28 cs.CL
Hybrid Querying Over Relational Databases and Large Language Models
UC Santa Barbara(加州大学圣巴巴拉分校)
本文提出首个跨领域混合查询基准SWAN,包含120个基于真实数据库的超出数据库范围问题,并基于模式扩展和用户定义函数提出两种解决方案,评估显示GPT-4 Turbo结合少样本提示可达40.0%执行准确率和48.2%数据事实性。
2024-11-15 cs.CL cs.DB
Dual Reader-Parser on Hybrid Textual and Tabular Evidence for Open Domain Question Answering
AWS AI Labs, Amazon(亚马逊 AWS 人工智能实验室)
当前的开放域问答生成模型主要集中在从非结构化文本信息中生成直接答案。然而,世界上大量的知识存储在结构化数据库中,并且需要使用诸如SQL的查询语言来访问。此外,查询语言可以回答需要复杂推理的问题,并提供充分的解释能力。在本文中,我们提出了一个混合框架,以文本和表格的证据作为输入,并生成直接的答案或SQL查询,这取决于哪种形式可以更好地回答问题。然后可以在关联的数据库上执行生成的SQL查询以获得最终答案。据我们所知,这是第一篇将Text 2SQL应用于ODQA任务的论文。从经验上讲,我们证明了在几个ODQA数据集上,混合方法的性能始终优于只采用同质输入的基线模型。具体来说,我们使用基于T5的模型在OpenSQuAD数据集上实现了最先进的性能。在详细的分析中,我们证明了能够生成结构化SQL查询总是可以带来收益,特别是对于那些需要复杂推理的问题。
2021-12-08 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
SQLite is Enough. Lexical, Semantic, and Hybrid Search with scrydb
TH Köln – University of Applied Sciences(科隆应用技术大学)
本研究推出 Python 库 scrydb,基于 SQLite 的 FTS5 和 sqlite-vec 扩展实现词汇、语义及混合搜索,经 IR 基准数据集验证,可为信息检索或智能体搜索下游任务提供轻量高效的解决方案。
2026-08-26 cs.CL cs.DB cs.IR
A Semantic-Layer-Mediated Agent for Natural Language to SQL over Heterogeneous Enterprise Databases
DAQUV Corp.(DAQUV公司);Chungbuk National University(忠北大学);BigDataLabs, Co., Ltd.(BigDataLabs有限公司)
提出一种通过语义层中介的NL2SQL智能体,利用语义模型查询(SMQ)解耦语义与物理SQL,在Spider2-snow基准上达到94.15%执行准确率,排名第三。
2026-07-01 cs.CL
Schema-Agnostic Graph Reasoning Agent for Hybrid Knowledge Graphs
提出图推理智能体GRA,探索混合知识图谱,在工业基准UFK-M上准确率优于全上下文智能体,读取令牌更少,增益源于选择性访问。
2026-08-18 cs.AI cs.CL cs.DB
Best Practices for Distilling Large Language Models into BERT for Web Search Ranking
Tencent(腾讯)
本研究提出将大语言模型的排序能力通过持续预训练、排序损失微调及混合点式和边际MSE损失蒸馏至BERT,以低成本实现高效网页搜索排序,并已在商业引擎中部署验证。
2024-11-07 cs.CL cs.IR
Play by the Type Rules: Inferring Constraints for LLM Functions in Declarative Programs
Capital One
本研究针对声明式查询语言中LLM函数的类型约束问题,提出高效强制良好类型性的解决方案,在多跳问答数据集上实现7%准确率提升和53%延迟降低。
2025-09-24 cs.AI cs.CL cs.DB
Fin-Analyst at FinMMEval 2026 Task 3: A Live Hybrid Trading Agent with LLM Specialists and Rule-Based Signals
University of North Texas(北德克萨斯大学)
研究针对金融市场评估任务3,提出结合LLM专家和规则信号的混合交易代理Fin-Analyst,用于特斯拉和比特币交易。通过多源信息聚合及规则投票,在特斯拉交易上取得高回报率,比特币交易表现良好,还分析了排名逆转原因及信号影响等,为后续模型改进提供依据。
2026-07-15 cs.AI cs.CL
Rationale-Augmented Retrieval with Constrained LLM Re-Ranking for Task Discovery
George Mason University(乔治·马歇尔大学)
针对Head Start项目中新员工难以定位任务的问题,提出结合容错词汇检索、向量相似度和约束LLM重排序的混合语义搜索系统,确保低误报率、可演化性和经济性,并提供完整评估框架。
2025-10-01 cs.AI cs.CL
CSR-RAG: An Efficient Retrieval System for Text-to-SQL on the Enterprise Scale
Technical University of Munich(慕尼黑技术大学);Nokia Bell Labs(诺基亚贝尔实验室)
CSR-RAG通过结合上下文、结构和关系检索,高效支持企业级文本到SQL任务,实现高精度与低延迟的检索性能。
2026-01-10 cs.CL
When is Tree Search Useful for LLM Planning? It Depends on the Discriminator
The Ohio State University(俄亥俄州立大学);The University of Texas at Austin(德克萨斯大学奥斯汀分校);Cisco Research(思科研究)
本文分析LLM智能体中判别准确率对迭代修正、树搜索与重排序三种规划方法的影响,发现高级规划方法需至少90%判别准确率才能显著优于重排序,而当前LLM判别能力不足且树搜索效率低下。
2024-06-06 cs.AI cs.CL cs.LG
Agentar-Scale-SQL: Advancing Text-to-SQL through Orchestrated Test-Time Scaling
Ant Digital Technologies, Ant Group(蚂蚁集团数字技术部);Soochow University(苏州大学);Zhejiang University(浙江大学)
Agentar-Scale-SQL通过协调的测试时扩展策略,结合内部扩展、顺序扩展和并行扩展,提升文本到SQL的性能,在BIRD基准上达到81.67%的准确率。
2025-12-10 cs.CL cs.DB
LinkAlign: Scalable Schema Linking for Real-World Large-Scale Multi-Database Text-to-SQL
China Academy of Information and Communications Technology(中国信息通信技术研究院);Renmin University of China(中国人民大学);University of International Business and Economics(国际经济贸易大学)
LinkAlign通过多轮语义增强检索、无关信息隔离和模式提取增强,解决大规模多数据库场景下的模式链接两大挑战,在Spider 2.0-Lite上以开源LLM达到33.09%的新SOTA。
2025-09-08 cs.CL
Evaluating Cross-Domain Text-to-SQL Models and Benchmarks
University of Alberta(阿尔伯塔大学)
本文通过人工评估和等价改写重新评估跨领域文本到SQL基准及顶尖模型,发现完美性能不可行、模型真实性能被低估,且GPT4模型在Spider上超越黄金标准参考查询,强调独立评估的重要性。
2023-10-27 cs.CL cs.DB cs.LG
SpectraQuery: A Hybrid Retrieval-Augmented Conversational Assistant for Battery Science
Mechanical Engineering, Stanford University(斯坦福大学机械工程系);Applied Energy Division, SLAC National Accelerator Laboratory(SLAC国家加速器实验室应用能源部门);Institute of Computational and Mathematical Engineering, Stanford University(斯坦福大学计算与数学工程研究所)
SpectraQuery通过结合结构化数据库和文献语料库,为电池科学提供检索增强型对话助手,有效整合数值证据与机理解释,提升科学推理效率。
2026-01-14 cs.CL cs.IR
Bridging Textual and Tabular Data for Cross-Domain Text-to-SQL Semantic Parsing
Salesforce Research(赛富时研究院)
我们提出了BRIDGE,一个强大的顺序体系结构建模之间的依赖关系的自然语言问题和关系数据库跨DB语义解析。BRIDGE以标记序列表示问题和DB模式,其中字段的子集使用问题中提到的单元格值进行扩充。混合序列由BERT编码,具有最少的后续层,并通过BERT中微调的深度注意力实现文本数据库上下文化。结合具有模式一致性驱动的搜索空间修剪的指针生成器解码器,BRIDGE在流行的跨DB文本到SQL基准测试中获得了最先进的性能,Spider(71.1\% dev,67.5\%测试与集成模型)和WikiSQL(92.6\% dev,91.9\%测试)。我们的分析表明,BRIDGE有效地捕获了所需的跨模态依赖关系,并有可能推广到更多的文本数据库相关的任务。我们的实现可在\url{https://github.com/salesforce/TabularSemanticParsing}上获得。
2020-12-31 cs.AI cs.CL cs.DB
Enhancing Visual Question Answering through Ranking-Based Hybrid Training and Multimodal Fusion
Oregon State University(俄勒冈州立大学);New York University(纽约大学);Carnegie Mellon University(卡内基梅隆大学);McGill University(麦吉尔大学)
提出Rank VQA模型,通过结合Faster R-CNN视觉特征与BERT文本特征,利用多头自注意力机制融合,并采用分类与排序损失结合的混合训练策略,显著提升了视觉问答的准确率和MRR。
2024-09-23 cs.CL cs.CV cs.LG
BlendSQL: A Scalable Dialect for Unifying Hybrid Question Answering in Relational Algebra
Fidelity Investments(富达投资)
本文提出BlendSQL,一种基于SQLite超集的统一方言,通过将多跳混合问答的完整推理路线图编码为单个可解释查询,在减少35% token用量的同时提升端到端系统在大规模数据上的性能。
2024-06-10 cs.CL
Hybrid Encoder: Towards Efficient and Precise Native AdsRecommendation via Hybrid Transformer Encoding Networks
University of Science and Technology of China(中国科学技术大学);Microsoft Research Asia(微软亚洲研究院);Tsinghua University(清华大学);Microsoft(微软)
Transformer编码网络已被证明是理解自然语言的有力工具。它们在原生广告服务中发挥着关键作用,这有助于根据用户的Web浏览历史推荐合适的广告。为了高效推荐,常规方法将利用连体Transformer编码器独立地生成用户和广告嵌入,使得可以利用近似最近邻搜索(ANN)。鉴于用户和广告的潜在语义可能是复杂的,这种独立生成的嵌入容易丢失信息,这导致较差的推荐质量。虽然另一种编码策略,交叉编码器,可以更准确,这将导致巨大的运行成本,并成为不可行的实时服务,如原生广告推荐。在这项工作中,我们提出了混合编码器,通过两个连续的步骤:检索和排名,使高效和精确的原生广告推荐。在检索步骤中,用户和广告被编码的连体组件,这使得相关的候选人通过人工神经网络搜索检索。在排名步骤中,它进一步表示每个具有分解嵌入的广告和每个具有广告相关嵌入的用户,这有助于从候选集中细粒度地选择高质量的广告。这两个步骤都是轻量级的,这要归功于预先计算和缓存的中间结果。为了优化混合编码器在这个两阶段工作流程中的性能,开发了一个渐进式训练管道,该管道逐步建立模型在检索和排名任务中的能力。混合编码器的有效性进行了实验验证:很少的额外成本,它优于暹罗编码器显着,并实现了可比的建议质量的交叉编码器。
2021-04-22 cs.AI cs.CL cs.IR
Hybrid X-Linker: Automated Data Generation and Extreme Multi-label Ranking for Biomedical Entity Linking
LASIGE, Faculdade de Ciências, Universidade de Lisboa(里斯本大学理学院LASIGE实验室);Universidad de Málaga(马拉加大学);Research Institute of Multilingual Language Technologies, Universidad de Málaga(马拉加大学多语言语言技术研究院)
本文提出Hybrid X-Linker流水线,通过自动生成大规模训练数据,将极端多标签排序方法用于生物医学实体链接,在多个疾病和化学数据集上取得领先或接近领先的top-1准确率。
2024-07-08 cs.AI cs.CL cs.DL
A Hybrid Semantic Parsing Approach for Tabular Data Analysis
Microsoft Research Asia(微软亚洲研究院)
本文提出了一种新的方法,将自然语言问题转换为给定表的SQL查询,它满足了现实世界的数据分析应用程序的三个要求:跨域,多语言和快速启动。我们所提出的方法包括:(1)一个新的数据抽象步骤,使解析表不可知的解析器;(2)一组语义规则,用于解析抽象的数据分析问题,以中间逻辑形式的树派生,以减少搜索空间;(3)一个基于神经的模型作为局部评分功能的跨度为基础的语义解析器结构化优化和有效的推理。实验表明,我们的方法优于国家的最先进的算法在一个大型的开放基准数据集WikiSQL。我们也取得了可喜的成果,在一个小的数据集,更复杂的查询,在英语和中文,这表明我们的语言扩展和快速启动能力。
2019-10-24 cs.AI cs.CL cs.DB
Sifei at SemEval-2026 Task 8: Hybrid Retrieval and Query Rewriting for Multi-Turn RAG
Faculty of Computer Science HSE University(计算机科学系 高等经济大学)
提出无训练混合检索流水线,结合稠密与稀疏检索、查询重写和交叉编码器重排序,在Task A上nDCG@5达0.5453排名第三,Task C上相关性与忠实性调和均值0.5312排名第十五。
2026-06-05 cs.CL cs.IR
Evaluating Hybrid Retrieval Augmented Generation using Dynamic Test Sets: LiveRAG Challenge
Emory University, USA(埃默里大学)
本文针对LiveRAG挑战赛提出一种结合BM25和E5检索并使用rankLLaMA重排序与Falcon3-10B-Instruct生成的混合RAG系统,在忠实度上取得第4名。
2025-06-27 cs.CL cs.IR
xDBTagger: Explainable Natural Language Interface to Databases Using Keyword Mappings and Schema Graph
University of Waterloo(滑铁卢大学);The Central Bank of the Republic of Türkiye(土耳其共和国中央银行);Bilkent University(比尔肯特大学)
在关系数据库接口中将自然语言查询(NLQ)转换为结构化查询语言(SQL)是一项具有挑战性的任务,已经被来自数据库和自然语言处理社区的研究人员广泛研究。已经提出了许多工作来攻击自然语言数据库接口(NLIDB)问题,无论是传统的基于流水线的解决方案还是基于端到端深度学习的解决方案。然而,无论首选的方法是什么,这种解决方案都表现出黑盒性质,这使得这些系统所针对的潜在用户难以理解为生成翻译后的SQL而做出的决策。为此,我们提出了xDBTagger,一个可解释的混合翻译管道,解释了一路上向用户的文本和视觉的决定。我们还评估xDBTagger在三个现实世界的关系数据库定量。评估结果表明,除了完全可解释,xDBTagger是有效的准确性和翻译查询更有效地相比,其他国家的最先进的基于流水线的系统高达10000倍。
2022-10-07 cs.AI cs.CL cs.DB