BEAVER: An Enterprise Benchmark for Text-to-SQL
MIT（麻省理工学院）；Harvard University（哈佛大学）；Greenshoe, Inc.（Greenshoe公司）
BEAVER是首个基于企业私有数据仓库构建的文本到SQL基准测试，包含9128个问题-SQL对和19个领域的812张表，通过合成高质量查询和细粒度评估方法，揭示了现有模型在复杂企业场景下的性能差距。
2026-05-13 cs.AI cs.CL cs.DB
BAP-SQL: Budget-Aware Observation Planning for Agentic Text-to-SQL
Microsoft（微软公司）；Carnegie Mellon University（卡内基梅隆大学）；Georgia Institute of Technology（佐治亚理工学院）
BAP-SQL是面向智能体Text-to-SQL的预算感知观测规划方法，通过将观测形成作为预算控制阶段，在紧预算下提升了SQL生成成功率，同时减少了token使用量。
2026-08-05 cs.AI
SQaLe: A Large Text-to-SQL Corpus Grounded in Real Schemas
Centrum Wiskunde & Informatica（荷兰数学与信息学研究中心）；University of Amsterdam（阿姆斯特丹大学）
SQaLe是一个基于真实数据库模式的大型半合成文本到SQL数据集，通过结合模式采样、问题合成和SQL构建，生成了高质量的（问题，模式，查询）三元组，用于提升文本到SQL模型的泛化能力。
2025-12-16 cs.CL cs.IR cs.LG
SQLConductor: Search-to-Policy Learning for Step-wise Text-to-SQL Orchestration
HKUST(GZ)（香港科技大学（广州））
提出SQLConductor框架，通过搜索到策略学习将文本到SQL任务分解为动作序列，用蒙特卡洛树搜索探索工作流并训练策略模型逐步编排，在BIRD-Dev上达73.2%执行准确率。
2026-06-23 cs.AI cs.DB cs.LG
flexvec: SQL Vector Retrieval with Programmatic Embedding Modulation
Independent Researcher（独立研究者）
flexvec通过程序化嵌入调制实现高效的向量检索，利用SQL接口整合可组合的查询原语，在大规模数据集上实现快速检索。
2026-03-23 cs.AI cs.DB cs.IR
AV-SQL: Decomposing Complex Text-to-SQL Queries with Agentic Views
Griffith University（格里菲斯大学）；The University of Queensland（昆士兰大学）
AV-SQL通过代理视图分解复杂文本到SQL查询，提升复杂查询的执行准确率，其在Spider 2.0基准测试中达到70.38%的准确率，优于现有方法。
2026-04-08 cs.AI cs.DB cs.ET
Reasoning-SQL: Reinforcement Learning with SQL Tailored Partial Rewards for Reasoning-Enhanced Text-to-SQL
Google Cloud（谷歌云）；Stanford University（斯坦福大学）；Google DeepMind（谷歌DeepMind）
提出专为Text-to-SQL定制的部分奖励集并结合GRPO算法训练LLM，有效解决了强化学习中的奖励稀疏问题，使14B模型在BIRD基准上超越o3-mini等更大专有模型。
2025-04-01 cs.AI cs.DB cs.LG
Mention Extraction and Linking for SQL Query Generation
Ping An Life Insurance Company of China, Ltd（中国平安人寿保险股份有限公司）
在WikiSQL基准测试中，最先进的文本到SQL系统通常采用一种插槽填充方法，为每种类型的插槽构建几个专用模型。这样的模块化系统不仅复杂，而且捕获SQL子句之间的相互依赖关系的能力有限。为了解决这些问题，本文提出了一种新的提取链接的方法，其中一个统一的提取器识别所有类型的插槽提到出现在问题的句子之前，链接器的识别列映射到表模式，以生成可执行的SQL查询。训练自动生成的注释，所提出的方法实现了第一位的WikiSQL基准。
2020-12-18 cs.AI cs.CL
Data Agnostic RoBERTa-based Natural Language to SQL Query Generation
ABV-IIITM（ABV-印度信息技术与管理学院）
关系数据库是现代世界中存储大量数据的最广泛使用的体系结构之一。然而，这些数据库和普通用户之间存在障碍。用户通常缺乏与数据库交互所需的诸如SQL的查询语言的知识。NL2SQL任务旨在通过将自然语言问题转换为有效的SQL查询，找到解决此问题的深度学习方法。鉴于某些数据库的敏感性和对数据隐私的日益增长的需求，我们提出了一种以数据隐私为核心的方法。我们已经将RoBERTa嵌入和数据不可知的知识向量传递到基于LSTM的子模型中，以预测最终的查询。虽然我们还没有达到最先进的结果，但我们已经从模型的训练中消除了对表数据的需求，并且已经实现了76.7%的测试集执行准确率。通过在训练时消除表数据依赖性，我们创建了一个能够基于自然语言问题和表模式进行零样本学习的模型。
2021-03-05 cs.AI cs.CL
Decoupling SQL Query Hardness Parsing for Text-to-SQL
Central South University（中南大学）
本文提出一种基于解耦SQL查询难度解析的Text-to-SQL框架，通过分析问题和模式将多难度任务简化为单一难度，降低语言模型解析压力，并在Spider开发集上取得微调方法的新最先进性能。
2023-12-29 cs.CL
Datrics Text2SQL: A Framework for Natural Language to SQL Query Generation
Datrics
针对Text-to-SQL系统在歧义理解、领域词汇和复杂模式处理上的难题，提出基于RAG的Datrics Text2SQL框架，通过知识库检索生成准确SQL，降低数据分析的使用门槛。
2025-04-03 cs.AI cs.CL cs.DB
Speech-to-SQL: Towards Speech-driven SQL Query Generation From Natural Language Question
The Hong Kong University of Science and Technology（香港科技大学）；AI Group, WeBank Co., Ltd（微众银行人工智能部）
随着智能手机和平板电脑在我们日常生活中的普及，基于语音的输入已经获得了显著的发展势头，因为语音是用于人机交互的最简单和最有效的方式。本文致力于设计更有效的基于语音的接口来查询关系数据库中的结构化数据。我们首先确定了一个新的任务命名为语音到SQL，其目的是理解人类语音传达的信息，并直接将其翻译成结构化的查询语言（SQL）语句。这个问题的简单解决方案可以以级联方式工作，也就是说，自动语音识别（ASR）组件后跟文本到SQL组件。然而，它需要高质量的ASR系统，并且还遭受两个组件之间的误差复合问题，从而导致性能受限。为了应对这些挑战，我们进一步提出了一种名为SpeechSQLNet的新型端到端神经架构，可以直接将人类语音转换为SQL查询，而无需外部ASR步骤。SpeechSQLNet的优势在于充分利用了语音中所呈现的丰富的语言信息。据我们所知，这是第一次尝试基于任意自然语言问题直接合成SQL，而不是基于自然语言的SQL版本或其具有有限SQL语法的变体。为了验证所提出的问题和模型的有效性，我们进一步构建了一个名为SpeechQL的数据集，通过搭载广泛使用的文本到SQL数据集。对该数据集的广泛实验评估表明，SpeechSQLNet可以直接从人类语音中合成高质量的SQL查询，在精确匹配精度方面优于各种竞争对手以及级联方法。
2022-01-04 cs.AI cs.CL cs.DB
ProbGate at EHRSQL 2024: Enhancing SQL Query Generation Accuracy through Probabilistic Threshold Filtering and Error Handling
KAIST Graduate School of Data Science（KAIST数据科学研究生院）；KAIST Bio and Brain Engineering（KAIST生物与脑工程学院）；KAIST AI（KAIST人工智能学院）
本文提出ProbGate框架，通过微调模型、基于熵的方法和对数概率分布过滤低置信度SQL，并在实际数据库上执行查询以缓解语法和模式错误，有效解决了医疗text-to-SQL中识别无法回答查询的挑战，提升了SQL查询生成的准确率。
2024-04-25 cs.AI cs.CL
CoSQL: A Conversational Text-to-SQL Challenge Towards Cross-Domain Natural Language Interfaces to Databases
Yale University（耶鲁大学）；Salesforce Research（赛富时研究院）；University of Michigan（密歇根大学）；Cornell University（康奈尔大学）
我们提出了CoSQL，用于构建跨域，通用数据库（DB）查询对话系统的语料库。它由30k+ turns加上10k+注释的SQL查询组成，这些查询是从3k对话的向导（WOZ）集合中获得的，查询跨越138个域的200个复杂DB。每个对话都模拟了一个真实的数据库查询场景，其中一个群众工作者作为用户探索数据库，一个SQL专家用SQL检索答案，澄清模糊的问题，或者通知无法回答的问题。当用户问题可以通过SQL回答时，专家向用户描述SQL和执行结果，从而保持自然的交互流。与现有的面向任务的对话数据集相比，CoSQL引入了新的挑战：（1）对话状态基于SQL，一种独立于域的可执行表示，而不是特定于域的槽值对，（2）因为测试是在看不见的数据库上完成的，成功需要推广到新的域。CoSQL包括三个任务：基于SQL的对话状态跟踪，查询结果的响应生成和用户对话行为预测。我们为每个任务评估了一组强大的基线，并表明CoSQL为未来的研究提出了重大挑战。数据集、基线和排行榜将在https://yale-lily.github.io/cosql上发布。
2019-09-11 cs.AI cs.CL
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
Query and Conquer: Execution-Guided SQL Generation
Snowflake AI Research（Snowflake AI研究部）
提出一种利用执行结果从多候选查询中选择语义最一致者的新方法，使小模型在text-to-SQL任务中超越o1等大模型，并将推理成本降低30倍，提供实用可扩展的SOTA方案。
2025-03-31 cs.CL
Chain-of-Query: Unleashing the Power of LLMs in SQL-Aided Table Understanding via Multi-Agent Collaboration
Rice University（里士大学）；Samsung Electronics America（三星电子美国分公司）；Warner Bros. Discovery（华纳兄弟发现）
链式查询通过多智能体协作提升SQL辅助表格理解的准确性与有效性
2025-11-30 cs.AI cs.CL cs.DB
SQLformer: Deep Auto-Regressive Query Graph Generation for Text-to-SQL Translation
University of Cambridge（剑桥大学）
SQLformer是一种新型Transformer架构，通过自回归生成SQL查询的抽象语法树并融入结构归纳偏置，在六个文本到SQL基准上取得最先进性能。
2024-05-27 cs.CL cs.LG
PolySQL: Scaling Text-to-SQL Evaluation Across SQL Dialects via Automated Backend Isomorphism
IBM Research（IBM研究院）；ETH Zürich（苏黎世联邦理工学院）
PolySQL通过自动化后端同构性方法，实现跨SQL方言的文本到SQL评估扩展，揭示了从SQLite到其他方言的平均准确率下降10.1%及方言难度层级。
2026-05-08 cs.CL
CoE-SQL: In-Context Learning for Multi-Turn Text-to-SQL with Chain-of-Editions
Shanghai Jiao Tong University（上海交通大学）；Suzhou Laboratory（苏州实验室）
本文提出CoE-SQL方法，通过编辑链提示LLMs基于前一轮SQL查询生成当前查询，在多轮文本到SQL任务中稳定超越上下文学习基线，并在SParC和CoSQL上达到最先进性能。
2024-05-04 cs.CL
RISE: Rule-Driven SQL Dialect Translation via Query Reduction
Institute of Software at CAS, China（中国科学院软件研究所）
RISE通过查询简化技术，利用LLM实现高效准确的SQL方言翻译，显著提升翻译准确率。
2026-01-09 cs.AI cs.CL cs.DB
PExA: Parallel Exploration Agent for Complex Text-to-SQL
University of California Los Angeles（加州大学洛杉矶分校）；Bloomberg（彭博）
本文提出PExA，通过软件测试覆盖视角解决文本到SQL的延迟与性能权衡问题，通过并行执行测试用例确保语义覆盖，最终生成准确的SQL。
2026-04-24 cs.AI cs.CL
Pay More Attention to History: A Context Modelling Strategy for Conversational Text-to-SQL
Peking University（北京大学）；Meituan（美团）
会话式文本到SQL的目标是将多轮自然语言查询转换成它们相应的SQL（结构化查询语言）表示。会话式文本到SQL的最棘手的问题之一是对多轮查询的语义进行建模，并收集当前查询所需的适当信息。本文表明，通过添加每个回合和整个上下文的摘要来明确地建模语义变化可以在将会话查询转换为SQL时带来更好的性能。特别是，我们提出了两个会话建模任务，在转粮食和会话粮食。这两个任务只是作为辅助训练任务来帮助多轮会话语义解析。我们进行了实证研究，并在大规模开放域会话文本到SQL数据集上取得了新的最先进的结果。实验结果表明，该机制显著提高了多轮语义解析的性能。
2022-07-26 cs.AI cs.CL
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
System and Methods for Converting Speech to SQL
IIT Guwahati（印度理工学院古瓦哈提分校）；IBM Information Management, India Software Lab（IBM信息管理印度软件实验室）
本文讨论了如何将英语口语查询转换为SQL，以便从关系数据库中检索数据。用户通过用户界面提交作为语音信号的查询，并获得文本格式的查询结果。我们已经开发了声学和语言模型，使用它的语音话语可以转换为英语文本查询，从而自然语言处理技术可以应用于这个英语文本查询，以生成一个等效的SQL查询。语音转换成英文文本HTK和朱利叶斯工具已被使用，并转换成SQL查询的英文文本查询，我们已经实现了一个系统，使用基于规则的翻译翻译成SQL查询的英文语言查询。翻译使用词法分析器，解析器和语法指导的翻译技术，如编译器。JFLex和BYACC工具分别用于构建词法分析器和语法分析器。系统是域独立的，即系统可以在不同的数据库上运行，因为它从底层数据库生成lex文件。
2013-08-14 cs.CL cs.DB
Text to Query Plans for Question Answering on Large Tables
CSIRO Data61（CSIRO数据61）
针对大型表格问答，提出一种将自然语言查询转化为查询计划的新框架，利用大语言模型迭代构建操作序列并直接在数据上执行，以支持复杂分析并克服上下文限制，实验验证其有效性。
2025-08-26 cs.AI cs.CL cs.DB
RAG Strategies for Natural Language-Based SQL Query and REST API Call Generation
IU International University of Applied Sciences（国际应用科学大学）
本文评估了三种RAG变体在生成SQL和API调用任务中的性能，发现CoRAG在混合文档环境下表现最佳，检索策略设计对自然语言接口至关重要。
2026-10-20 cs.AI cs.CL cs.SE
Pi-SQL: Enhancing Text-to-SQL with Fine-Grained Guidance from Pivot Programming Languages
Shanghai University of Finance and Economics（上海金融学院）；Tsinghua University（清华大学）；Beihang University（北航）；Wuhan University（武汉大学）；Southern University of Science and Technology（南方科技大学）
Pi-SQL提出以高资源的Python程序作为枢轴，先为自然语言查询生成带细粒度逐步指导的Python代码，再据此生成SQL程序，并通过候选选择优化执行效率，显著提升了文本到SQL的执行准确率。
2025-06-03 cs.AI cs.CL
Blar-SQL: Faster, Stronger, Smaller NL2SQL
Blar Spa（Blar公司）
本研究提出 Blar-SQL 框架，通过任务分解结合微调 Llama-2 和 Code Llama 两个模型分别处理数据库理解和查询生成，并采用模式分块策略，在达到与 GPT-4 相当性能的同时大幅降低模型大小、推理时间和成本。
2024-01-04 cs.AI cs.CL
SQLBarber: A System Leveraging Large Language Models to Generate Customized and Realistic SQL Workloads
Cornell University（康奈尔大学）
SQLBarber利用大型语言模型生成定制化且真实的SQL工作负载，通过声明式接口和贝叶斯优化器高效生成符合目标成本分布的查询。
2025-12-02 cs.AI cs.CL cs.DB
Semantic Parsing for Complex Data Retrieval: Targeting Query Plans vs. SQL for No-Code Access to Relational Databases
Ben-Gurion University of the Negev（内盖夫本-古里安大学）
本文提出查询计划语言（QPL）作为SQL的替代目标，利用其模块化结构使神经语义解析器更易生成复杂查询，并通过Spider数据集实验验证，以迭代方式提升复杂组合查询的准确性。
2023-12-22 cs.CL
Editing-Based SQL Query Generation for Cross-Domain Context-Dependent Questions
Yale University（耶鲁大学）；Salesforce Research（赛富时研究院）；Cornell University（康奈尔大学）
我们专注于跨域上下文相关的文本到SQL生成任务。基于相邻的自然语言问题往往是语言依赖的，其相应的SQL查询往往重叠的观察，我们利用编辑以前的预测查询的交互历史，以提高生成质量。我们的编辑机制将SQL视为序列，并以简单的方式在令牌级别重用生成结果。它可以灵活地更改单个令牌，并且对错误传播具有鲁棒性。此外，为了处理不同领域中的复杂表结构，我们采用了一个话语表编码器和一个表感知解码器，将用户话语的上下文和表模式。我们在SParC数据集上评估了我们的方法，并证明了与从头开始生成SQL的最先进基线相比，编辑的好处。我们的代码可在https://github.com/ryanzhumich/sparc_atis_pytorch上获得。
2019-09-10 cs.CL
Beyond Query-Level Comparison: Fine-Grained Reinforcement Learning for Text-to-SQL with Automated Interpretable Critiques
ByteDance, Beijing, China（字节跳动，北京，中国）
RuCo-C通过细粒度强化学习和自动可解释批评，提升文本到SQL的评估性能。
2025-11-27 cs.CL
Companion Agents: A Table-Information Mining Paradigm for Text-to-SQL
Amap, Alibaba Group（阿里巴巴集团高德）
同伴代理通过主动挖掘数据库中的隐藏关系和统计规律，提升文本到SQL在注释稀缺条件下的准确率。
2025-12-17 cs.AI cs.CL
Using LLM to select the right SQL Query from candidates
School of Computer Science, Peking University（北京大学计算机学院）
提出一种自动测试用例生成方法，通过生成数据库并用 LLM 预测预期执行结果，进而根据候选 SQL 查询的测试通过数和生成概率进行重排序，在 Spider 验证集上使最先进模型性能提升 3.6%。
2024-01-04 cs.CL
Towards Complex Text-to-SQL in Cross-Domain Database with Intermediate Representation
Xi’an Jiaotong University（西安交通大学）；Beijing University of Posts and Telecommunications（北京邮电大学）；Microsoft Research Asia（微软亚洲研究院）
我们提出了一种称为IRNet的神经方法，用于复杂和跨域的Text-to-SQL。IRNet旨在解决两个挑战：1）用自然语言（NL）表达的意图与SQL中的实现细节之间的不匹配; 2）由大量域外单词引起的预测列的挑战。IRNet不是端到端合成SQL查询，而是将合成过程分解为三个阶段。在第一阶段，IRNet在问题和数据库模式之间执行模式链接。然后，IRNet采用基于语法的神经模型来合成SemQL查询，这是我们设计的中间表示，以桥接NL和SQL。最后，IRNet确定性地从具有领域知识的合成SemQL查询中推断SQL查询。在具有挑战性的Text-to-SQL基准测试Spider上，IRNet实现了46.7%的准确率，比以前的最先进方法获得了19.5%的绝对改进。在撰写本文时，IRNet在Spider排行榜上排名第一。
2019-05-29 cs.CL
Query Carefully: Detecting the Unanswerables in Text-to-SQL Tasks
Institute of Computer Science, Zurich University of Applied Sciences（计算机科学研究所，应用科学大学苏黎世）；Institute of Medical Virology, University of Zurich（医学病毒学研究所，苏黎世大学）；Department of Gastroenterology and Hepatology, University Hospital Zurich, University of Zurich（消化内科与肝病科，苏黎世大学医院，苏黎世大学）
Query Carefully通过集成LLM生成和显式检测不可回答问题，提升生物医学领域文本到SQL的准确性和可靠性。
2025-12-19 cs.AI cs.CL cs.DB
Text-to-SQL Oriented to the Process Mining Domain: A PT-EN Dataset for Query Translation
Universidade de São Paulo（圣保罗大学）
本文提出了专为过程挖掘领域设计的双语基准数据集 text-2-SQL-4-PM，包含 1,655 条自然语言话语和 205 条 SQL 语句，并通过 GPT-3.5 Turbo 基线研究验证了其在 text-to-SQL 任务评估中的可行性与实用性。
2025-08-18 cs.AI cs.CL cs.DB
SQL-Exchange: Transforming SQL Queries Across Domains
University of Alberta（阿尔伯塔大学）
SQL-Exchange通过跨领域转换SQL查询提升文本到SQL系统的上下文学习性能。
2026-02-22 cs.AI cs.CL cs.DB
HIE-SQL: History Information Enhanced Network for Context-Dependent Text-to-SQL Semantic Parsing
Alibaba Group（阿里巴巴集团）
近年来，上下文相关的文本到SQL的语义解析，将自然语言转换成SQL的交互过程中吸引了很多的关注。以前的作品利用上下文相关的信息，无论是从交互历史话语或以前预测的SQL查询，但未能利用这两个，因为自然语言和逻辑形式的SQL之间的不匹配。在这项工作中，我们提出了一个历史信息增强的文本到SQL模型（HIE-SQL），利用上下文相关的信息，从历史的话语和最后预测的SQL查询。针对这一问题，本文将自然语言和SQL作为两种模态，提出了一种双模态预训练模型来弥补这两种模态之间的差异。此外，我们设计了一个模式链接图，以加强从话语和SQL查询到数据库模式的连接。我们展示了我们的历史信息增强方法显著提高了HIE-SQL的性能，在编写时，在两个上下文相关的文本到SQL基准测试（SparC和CoSQL数据集）上实现了新的最先进的结果。
2022-04-02 cs.AI cs.CL cs.DB
Beyond Text-to-SQL for IoT Defense: A Comprehensive Framework for Querying and Classifying IoT Threats
The University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）
研究提出包含10,985个text-SQL对的IoT数据集，支持两阶段处理以分类网络流量恶意性，联合训练提升text-to-SQL性能，为LLMs集成领域推理提供测试床。
2024-06-25 cs.CL
SQL-to-Text Generation with Graph-to-Sequence Model
Tencent AI Lab（腾讯人工智能实验室）；IBM Research（IBM研究院）；Peking University（北京大学）
以前的工作接近SQL到文本生成任务使用香草Seq 2Seq模型，这可能无法完全捕获SQL查询中固有的图结构信息。在本文中，我们首先介绍了一种策略来表示SQL查询作为一个有向图，然后采用图序列模型编码的全局结构信息到节点嵌入。该模型可以有效地学习SQL查询模式及其解释之间的相关性。在WikiSQL数据集和Stackoverflow数据集上的实验结果表明，我们的模型显著优于Seq 2Seq和Tree 2Seq基线，达到了最先进的性能。
2019-02-12 cs.CL cs.LG
Prompting GPT-3.5 for Text-to-SQL with De-semanticization and Skeleton Retrieval
National University of Defense Technology（国防科技大学）
提出基于LLM的文本到SQL框架，通过去语义化提取问题骨架检索相似示例，并建模问题与数据库模式关系，在三个跨领域基准上超越现有模型。
2023-08-31 cs.AI cs.CL
Closing the Cross-Dialect Gap: Query Plans as a Portable Interface in Text-to-SQL
IBM Research（IBM研究）；ETH Zurich（苏黎世联邦理工学院）
针对文本到SQL跨方言性能下降问题，提出以方言无关的关系代数查询计划为生成目标，经编译器转换，在十三个模型上恢复可移植性，并引入MetricName公平评估，证明计划监督优于SQL监督。
2026-09-29 cs.CL
SQLFixAgent: Towards Semantic-Accurate Text-to-SQL Parsing via Consistency-Enhanced Multi-Agent Collaboration
School of Computer Science & Technology, Soochow University（苏州大学计算机科学与技术学院）；School of Information, Renmin University of China（中国人民大学信息学院）；International College (Suzhou Research Institute), Renmin University of China（中国人民大学国际学院（苏州研究院））；iFLYTEK Research (Suzhou)（科大讯飞研究院（苏州））
针对Text-to-SQL解析中LLM生成SQL语义准确率不足的问题，提出含三类智能体的SQLFixAgent协作框架，通过错误检测、候选生成与优选修复提升性能，在多基准上有效增效且token效率更优。
2025-05-18 cs.CL
Bridging the Gap: Transforming Natural Language Questions into SQL Queries via Abstract Query Pattern and Contextual Schema Markup
Zhipu AI（智谱AI）；Tsinghua University（清华大学）
针对Text-to-SQL任务中复杂问题存在的结构与词汇映射差距，本文提出基于大语言模型的PAS-SQL流水线，通过抽象查询模式和上下文模式标记缓解差距，在Spider、BIRD数据集上取得领先性能。
2025-02-20 cs.CL
Cooperative SQL Generation for Segmented Databases By Using Multi-functional LLM Agents
School of Computer Science, Northwestern Polytechnical University（西北工业大学计算机学院）；Big Data Shortage and Management, MIIT（工业和信息化部大数据短缺与管理局）；School of Computing, National University of Singapore（新加坡国立大学计算机学院）；School of Computing and Information Systems, Singapore Management University（新加坡管理大学计算与信息系统学院）
针对Text-to-SQL任务，提出基于多功能LLM智能体的协同SQL生成框架CSMA，通过三阶段交互实现分段数据库的SQL生成，在保障数据隐私的同时达到媲美SOTA的性能。
2024-12-08 cs.CL
Can LLMs substitute SQL? Comparing Resource Utilization of Querying LLMs versus Traditional Relational Databases
Boston University（波士顿大学）
本研究对比了9款不同参数量的大语言模型与传统关系型数据库SQL的查询资源利用情况和准确率，发现LLM查询能耗极高，不建议用其替代关系型数据库。
2024-04-12 cs.AI cs.CL cs.DB
EXPO-SQL: Execution-based Clause-level Policy Optimization for Text-to-SQL
College of Computing and Informatics（计算与信息学院）
提出EXPO-SQL方法，通过子句级奖励实现细粒度监督，解决现有强化学习在文本到SQL任务中粗粒度奖励导致学习信号不足的问题，显著提升性能。
2026-06-24 cs.CL cs.IR
Fine-Tuning Language Models for Context-Specific SQL Query Generation
DinMo（DinMo公司）
本文面向零售领域，使用 GPT-4 构造方言特定合成数据，并基于 LoRa 微调 Starcoder Plus、Code-Llama 和 Mistral，使其在零样本 SQL 生成中超过 GPT-4。
2023-12-04 cs.AI cs.CL cs.DB
Abacus-SQL: A Text-to-SQL System Empowering Cross-Domain and Open-Domain Database Retrieval
Harbin Institute of Technology（哈尔滨工业大学）
针对现有文本转SQL系统缺乏开放域数据库检索能力、跨域迁移能力有限的问题，提出Abacus-SQL，通过数据库检索、数据增强、Pre-SQL和Self-debug方法提升性能，在多轮任务中表现优异且已公开。
2025-04-14 cs.CL
SOMA-SQL: Resolving Multi-Source Ambiguity in NL-to-SQL via Synthetic Log and Execution Probing
Oracle AI（甲骨文人工智能实验室）
提出SOMA-SQL框架，通过合成查询日志和歧义驱动探测自动解决自然语言到SQL中的多源歧义，在6个基准上平均执行准确率提升13.0%。
2026-06-11 cs.CL
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
Semantic Parsing with Syntax- and Table-Aware SQL Generation
Microsoft Research Asia（微软亚洲研究院）；Microsoft AI and Research（微软人工智能与研究院）；Harbin Institute of Technology（哈尔滨工业大学）
我们提出了一个生成模型映射到SQL查询的自然语言的问题。现有的基于神经网络的方法通常逐词生成SQL查询，然而，由于问题词和表内容之间的不匹配，所生成的结果的大部分是不正确的或不可执行的。我们的方法解决了这个问题，考虑表的结构和SQL语言的语法。生成的SQL查询的质量通过（1）学习从列名、单元格或SQL关键字复制内容;以及（2）通过利用列-单元格关系来改进WHERE子句的生成而得到显著提高。实验进行WikiSQL，最近发布的数据集最大的问题SQL对。我们的方法显着提高了国家的最先进的执行精度从69.0%到74.4%。
2018-04-23 cs.CL
