SyntaxSQLNet: Syntax Tree Networks for Complex and Cross-DomainText-to-SQL Task
Yale University（耶鲁大学）
大多数现有的文本到SQL任务的研究不需要生成复杂的SQL查询多个子句或子查询，并推广到新的，看不见的数据库。在本文中，我们提出了SyntaxSQLNet，语法树网络，以解决复杂的和跨域的文本到SQL生成任务。SyntaxSQLNet使用了一个SQL特定的语法树解码器，带有SQL生成路径历史和表感知的列注意编码器。我们在Spider text-to-SQL任务上评估SyntaxSQLNet，该任务包含具有多个表的数据库和具有多个SQL子句和嵌套查询的复杂SQL查询。我们使用数据库分割设置，其中测试集中的数据库在训练期间不可见。实验结果表明，SyntaxSQLNet可以处理比以前的工作更大量的复杂SQL示例，在精确匹配准确率方面比以前的最先进模型高出7.3%。我们还表明，使用跨域增强方法，SyntaxSQLNet可以进一步将性能提高7.5%，总共提高14.8%。据我们所知，我们是第一个研究这个复杂的跨域文本到SQL任务的人。
2018-10-25 cs.AI cs.CL
TinySQL: A Progressive Text-to-SQL Dataset for Mechanistic Interpretability Research
Martian；Apart Research；NVIDIA；Thoughtworks；Mohammed VI Polytechnic University（摩洛哥穆莱·易斯政院）
针对机制可解释性研究中玩具任务与大模型研究脱节的问题，提出以text-to-SQL为研究任务，构建渐进式合成数据集TinySQL并训练不同规模模型，结合多种可解释性技术分析SQL生成机制，提供了可解释性方法对比研究的稳健框架。
2025-10-22 cs.AI cs.DB cs.LG
Are LLMs Overkill for Databases?: A Study on the Finiteness of SQL
Cornell University（康奈尔大学）
本文通过376个数据库样本研究SQL查询的有限性，发现查询复杂度受现实需求限制，且模板分布呈现幂律特征，表明SQL查询可被模板高效覆盖。
2026-03-26 cs.AI cs.CL cs.DB
On the Potential of Lexico-logical Alignments for Semantic Parsing to SQL Queries
Cornell University（康奈尔大学）；University of Maryland（马里兰大学）；Microsoft Research（微软研究院）
用逻辑形式注释的大规模语义解析数据集使监督方法取得了重大进展。但更丰富的监管能起到更大的作用吗？为了探索细粒度的词汇级监督的实用性，我们引入了Squall，这是一个数据集，它通过手动创建的SQL等价物以及SQL和问题片段之间的对齐来丰富11，276个WikiTableQuestions英语问题。我们的注释为编码器-解码器模型提供了新的训练可能性，包括以前因缺乏对齐而无法使用的机器翻译方法。我们提出并测试了两种方法：（1）监督注意;（2）采用一个辅助目标，消除歧义的输入查询表列中的引用。在5折交叉验证中，这些策略在强基线上提高了4.4%的执行准确性。Oracle实验表明，注释比对可以支持高达23.9%的进一步准确性增益。
2020-10-21 cs.AI cs.CL
Agent-Agnostic Evaluation of SQL Accuracy in Production Text-to-SQL Systems
本文提出STEF框架，通过自然语言输入和生成的SQL进行生产环境文本到SQL系统的评估，无需数据库模式或参考查询，实现持续监控和改进反馈。
2026-04-30 cs.AI
Bootstrapping Learned Cost Models with Synthetic SQL Queries
IBM Research Europe（IBM欧洲研究院）
本文提出利用生成式 AI 和 LLM 启发的合成数据生成技术为学习型成本模型创建高质量 SQL 查询数据集，实验表明可在减少 45% 查询数量的情况下提升模型预测准确性。
2025-08-27 cs.AI cs.DB
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
The Interpretability Analysis of the Model Can Bring Improvements to the Text-to-SQL Task
China Life Insurance Company Limited, Jilin Province Branch（中国人寿保险股份有限公司吉林省分公司）
本文提出CESQL模型，将模型可解释性分析与执行引导策略相结合，并辅以过滤调整、逻辑关联优化和模型融合，在WikiSQL数据集上显著提升了文本到SQL任务中WHERE子句的预测准确率。
2025-08-12 cs.AI cs.CL cs.DB
PRACTIQ: A Practical Conversational Text-to-SQL dataset with Ambiguous and Unanswerable Queries
Amazon Web Services（亚马逊云科技）；University of Massachusetts at Amherst（马萨诸塞大学阿默斯特分校）
PRACTIQ数据集旨在解决模糊和无法回答的文本到SQL问题，通过四轮对话生成和多种LLM基准测试，评估系统在复杂查询中的表现。
2026-01-23 cs.AI cs.CL
SQLNet: Generating Structured Queries From Natural Language Without Reinforcement Learning
Shanghai Jiao Tong University（上海交通大学）
从自然语言合成SQL查询是一个长期存在的开放性问题，最近引起了人们的极大兴趣。为了解决这个问题，事实上的方法是采用序列到序列风格的模型。这种方法必然要求SQL查询被序列化。由于同一个SQL查询可能有多个等价的序列化，因此训练序列到序列风格的模型对其中一个的选择很敏感。这种现象被称为“秩序问题”。现有的最先进的方法依赖于强化学习，以奖励解码器时，它产生任何等效的串行化。然而，我们观察到强化学习的改进是有限的。在本文中，我们提出了一种新的方法，即，SQLNet，从根本上解决了这个问题，避免了序列到序列结构时的顺序无关紧要。特别是，我们采用了一个基于草图的方法，草图包含一个依赖图，使一个预测可以只考虑以前的预测，它依赖于。此外，我们提出了一个序列集模型以及列注意力机制合成的查询草图的基础上。通过结合所有这些新技术，我们表明，SQLNet可以在WikiSQL任务上超过现有技术9%至13%。
2017-11-13 cs.AI cs.CL cs.DB
Understanding Help-Seeking Behavior of Students Using LLMs vs. Web Search for Writing SQL Queries
University of Toronto（多伦多大学）；University of Toronto Mississauga（多伦多大学密西沙加分校）
本研究通过数据库课堂随机访谈，对比学生用网络搜索、ChatGPT及教师调优LLM编写SQL查询的求助行为，发现调优LLM交互更多但心理负荷更低，各组查询质量无显著差异，为编程教育工具应用提供参考。
2024-08-15 cs.AI cs.CY cs.DB
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
PV-SQL: Synergizing Database Probing and Rule-based Verification for Text-to-SQL Agents
Purdue University（普渡大学）
PV-SQL通过探查和验证组件提升文本到SQL系统的上下文理解能力，实验显示其在执行准确率和有效效率上优于现有基准，且消耗更少token。
2026-04-19 cs.AI cs.DB
"What makes my queries slow?": Subgroup Discovery for SQL Workload Analysis
Univ Lyon（里昂大学）；INSA Lyon（里昂国立应用科学学院）；CNRS（法国国家科学研究中心）；Infologic（英孚洛吉克公司）
在数据库管理员（DBA）的日常任务中，分析查询工作负载以识别模式问题并提高性能至关重要。尽管DBA可以轻松地查明导致性能问题的重复查询，但自动识别仅共享某些属性（模式）的查询子集并同时促进某些目标度量（如执行时间）仍然具有挑战性。模式定义在查询子句、环境变量、数据库警报和指标的组合上，并帮助回答诸如是什么使SQL查询变慢之类的问题。是什么让I/O通信变得更高？在一个巨大的搜索空间中自动发现这些模式，并将它们作为假设提供，以帮助定位问题和根本原因，这在可解释的人工智能中非常重要。为了解决这个问题，我们引入了一种基于子组发现的原始方法。我们将展示如何实例化和开发这个通用的数据挖掘框架，以确定SQL工作负载问题的潜在原因。我们相信，这种数据挖掘技术是不平凡的应用数据库管理员。因此，我们还提供了一个可视化工具，交互式知识发现。我们分析了来自我们公司的数百个数据库的一周工作量，提供数据集和源代码，并通过实验证明可以发现有见地的假设。
2021-08-09 cs.AI cs.DB cs.SE
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
Valid Text-to-SQL Generation with Unification-based DeepStochLog
KU Leuven（鲁汶大学）；Örebro University（厄勒布鲁大学）
针对大语言模型生成不可执行 SQL 的问题，提出基于合一语法与 DeepStochLog 的神经符号框架，通过硬约束和双向语言模型接口保证查询有效，并显著提升执行准确率与真实结果一致性。
2025-03-17 cs.AI cs.CL
Translating Natural Language Queries to SQL Using the T5 Model
Langara College（兰加拉学院）；Okanagan College（奥肯那根学院）；Harris SmartWorks（哈里斯智能工作部门）
本研究以T5模型为基础构建自然语言转SQL模型，针对在线事务处理系统和数据仓库场景分别实现73%、84%的精确匹配准确率，已落地多家企业日常使用，方法可推广至其他数据库环境并适配更强的预训练语言模型。
2023-12-12 cs.AI cs.DB cs.LG
Automating Pharmacovigilance Evidence Generation: Using Large Language Models to Produce Context-Aware SQL
GlaxoSmithKline（葛兰素史克）；Tech Mahindra；London School of Hygiene and Tropical Medicine（伦敦卫生与热带医学院）
本研究提出在检索增强生成（RAG）框架中结合业务上下文文档使用GPT-4，将药物警戒自然语言查询转换为SQL，显著提升查询准确性，为非技术用户信息检索提供高效框架。
2024-09-04 cs.AI cs.DB
Spider: A Large-Scale Human-Labeled Dataset for Complex and Cross-Domain Semantic Parsing and Text-to-SQL Task
Department of Computer Science, Yale University（耶鲁大学计算机科学系）；Yale University（耶鲁大学）
我们提出了蜘蛛，一个大规模的，复杂的和跨领域的语义解析和文本到SQL数据集注释的11名大学生。它由10，181个问题和5，693个独特的复杂SQL查询组成，涉及200个数据库和多个表，覆盖138个不同的领域。我们定义了一个新的复杂的和跨域的语义解析和文本到SQL的任务，不同的复杂的SQL查询和数据库出现在训练和测试集。通过这种方式，任务要求模型能够很好地泛化到新的SQL查询和新的数据库模式。Spider与以前的大多数语义解析任务不同，因为它们都使用单个数据库，并且在训练集和测试集中使用完全相同的程序。我们用各种最先进的模型进行了实验，最好的模型在数据库拆分设置上仅达到12.4%的精确匹配精度。这表明Spider对未来的研究提出了很大的挑战。我们的数据集和任务可在https://yale-lily.github.io/spider上公开获取
2019-02-02 cs.AI cs.CL
Diverse Parallel Data Synthesis for Cross-Database Adaptation of Text-to-SQL Parsers
Indian Institute of Technology Bombay（印度理工学院孟买分校）
文本到SQL解析器通常在训练期间与看不见的数据库作斗争。由于新模式中缺少自然语言查询，使解析器适应新数据库是一个具有挑战性的问题。我们提出了ReFill，一个框架，用于合成高质量和文本多样的并行数据集，以适应文本到SQL解析器的目标模式。ReFill学习从现有模式中检索和编辑文本查询，并将其传输到目标模式。我们发现，检索不同的现有文本，掩盖其特定于模式的令牌，并重新填充与目标模式相关的令牌，导致更多样化的文本查询比标准的SQL到文本生成方法。通过跨多个数据库的实验，我们证明了使用ReFill合成的数据集上的微调解析器始终优于先前的数据增强方法。
2022-10-29 cs.AI cs.CL cs.LG
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
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
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
From Questions to Queries: An AI-powered Multi-Agent Framework for Spatial Text-to-SQL
Geoinformation and Big Data Research Laboratory, Department of Geography, The Pennsylvania State University（宾夕法尼亚州立大学地理系地理信息与大数据研究实验室）；Institute for Computational and Data Sciences and Department of Geography, The Pennsylvania State University（宾夕法尼亚州立大学计算与数据科学研究所及地理系）
本文提出一种基于AI的多智能体框架，解决空间文本到SQL中的复杂问题，通过分阶段解释、模式绑定、逻辑规划和执行审查提升空间查询的鲁棒性。
2026-03-29 cs.AI cs.DB cs.IR
Knowledge Base Construction for Knowledge-Augmented Text-to-SQL
KAIST（韩国科学技术院）；IBM Research（IBM研究院）
针对LLMs参数化知识难以覆盖多样化领域查询导致SQL生成不准确的问题，提出构建全面且可复用的text-to-SQL知识库以检索和生成必要知识，在多数据集上显著优于基线。
2025-05-28 cs.AI cs.CL cs.LG
ColloQL: Robust Cross-Domain Text-to-SQL Over Search Queries
Carnegie Mellon University（卡内基梅隆大学）；Salesforce Inc.（赛富时公司）；Salesforce Research（赛富时研究院）
将自然语言语句转换为可执行查询是一种很有帮助的技术，可以让更广泛的不懂技术的最终用户访问存储在关系数据库中的大量数据。这方面的先前工作主要集中在语言正确和语义明确的文本输入。然而，真实世界的用户查询通常是简洁、口语化和嘈杂的，类似于搜索引擎的输入。在这项工作中，我们引入了数据增强技术和基于采样的内容感知BERT模型（ColloQL），以实现强大的文本到SQL建模超过自然语言搜索（NLS）的问题。由于缺乏评估数据，我们策划了一个新的NLS问题数据集，并证明了我们的方法的有效性。ColloQL的卓越性能扩展到格式良好的文本，在WikiSQL数据集上实现了84.9%（逻辑）和90.7%（执行）的准确性，据我们所知，它是不使用执行引导解码的性能最高的模型。
2020-10-19 cs.AI cs.CL cs.DB
Metasql: A Generate-then-Rank Framework for Natural Language to SQL Translation
School of Computer Science, Fudan University, Shanghai, China（计算机科学学院，复旦大学，上海，中国）
Metasql通过引入查询元数据和学习排序算法，提升自然语言到SQL翻译的准确性。
2024-02-27 cs.AI cs.DB
Schema-Aware Multi-Task Learning for Complex Text-to-SQL
Zhejiang University（浙江大学）
提出架构感知多任务学习框架MTSQL，通过架构链接判别器和操作符中心三元组提取器增强复杂文本到SQL的架构对齐与生成，在Spider基准上表现优异。
2024-03-09 cs.AI cs.CL cs.DB
OBDA Constraints for Effective Query Answering (Extended Version)
University of Oslo（奥斯陆大学）；Free University of Bozen-Bolzano（博尔扎诺自由大学）
在基于本体的数据访问（OBDA）中，用户对位于关系数据库之上的本体提出SPARQL查询。这些查询由OBDA系统即时转换为SQL查询。OBDA中的标准SPARQL到SQL转换技术通常会生成包含冗余连接和联合的SQL查询，即使在进行了大量语义和结构优化之后也是如此。这些冗余对查询应答的性能是有害的，特别是在具有大型企业数据库的复杂工业OBDA场景中。为了解决这个问题，我们引入了两个新的概念OBDA约束，并展示了如何利用它们进行高效的查询回答。我们使用真实世界的数据和查询在大型数据集上进行了一系列广泛的实验，结果表明这些技术极大地提高了查询应答的性能。
2016-05-16 cs.AI cs.DB
Text-to-SQL Calibration: No Need to Ask -- Just Rescale Model Probabilities
UC San Diego（加州大学圣迭戈分校）；IIT Bombay（印度理工学院孟买分校）
针对Text-to-SQL任务中LLM生成SQL的置信度校准问题，研究表明基于模型全序列概率的简单基线方法优于依赖后续提示的最新方法，并通过两个基准和多架构评估提供了校准策略有效性的见解。
2024-11-23 cs.AI cs.DB cs.IR
BIRD-History: A Benchmark for History-Driven Text-to-SQL with Fine-Grained Knowledge Annotations
Zhejiang University（浙江大学）
本研究推出带细粒度知识标注的BIRD-History基准测试，针对现有Text-to-SQL系统无法利用历史查询日志处理隐含领域知识的问题，提出插件式检索器，可提升多个Text-to-SQL系统的未明确查询处理性能。
2026-09-01 cs.AI cs.CL
SQLord: A Robust Enterprise Text-to-SQL Solution via Reverse Data Generation and Workflow Decomposition
Alibaba Group（阿里巴巴集团）
针对企业级NL2SQL缺乏领域微调数据和复杂查询处理难的问题，提出SQLord框架，通过SQL逆向数据生成、工作流分解及GPT-Judge评估体系，在离线与在线测试中准确率超90%并成功落地最大B2B平台。
2025-07-14 cs.AI cs.DB
Training Table Question Answering via SQL Query Decomposition
Sorbonne University（索邦大学）；CNRS（法国国家科学研究中心）；University of Angers（昂热大学）
本文提出在表格问答训练中通过模仿受限SQL类代数运算的执行流程提供中间监督，从而提升泛化与结构化推理能力，并探讨了生成架构与外部算法在操作预测上的分工。
2024-02-19 cs.AI cs.DB
ORANGE: An Online Reflection ANd GEneration framework with Domain Knowledge for Text-to-SQL
Fudan University（复旦大学）；Tencent Cloud（腾讯云）；University of Cambridge（剑桥大学）
提出在线自演化框架ORANGE，通过解析翻译日志构建数据库特定知识库，并采用嵌套思维链SQL-to-Text策略减少语义错误，逐步缩小语义鸿沟，提升Text-to-SQL翻译准确性。
2025-11-04 cs.AI cs.CL cs.DB
Approximating Aggregated SQL Queries With LSTM Networks
Ben-Gurion University of the Negev（内盖夫本-古里安大学）
尽管在数据技术方面不断投资，但查询数据的延迟仍然构成了重大挑战。现代分析解决方案需要近乎实时的响应能力，以使其具有交互性并支持自动化处理。当前的技术（Hadoop，Spark，Dataflow）扫描数据集以执行查询。他们专注于提供可扩展的数据存储，以最大限度地提高任务执行速度。我们认为，这些解决方案未能提供足够的互动水平，因为它们依赖于不断访问数据。在本文中，我们提出了一种查询近似的方法，也被称为近似查询处理（AQP），减少了需要在推理（查询计算）扫描数据，从而使一个快速的查询处理工具。我们使用LSTM网络来学习查询与其结果之间的关系，并为预测查询结果提供快速推理层。我们的方法（称为“Hunch”）产生了一个轻量级的LSTM网络，它提供了高查询吞吐量。我们使用12个数据集评估了我们的方法，并从查询延迟，模型权重和准确性角度与最先进的AQP引擎（VerdictDB，BlinkDB）进行了比较。结果表明，该方法预测查询结果的归一化均方根误差（NRMSE）在1%~ 4%之间，在大多数数据集上优于基准测试。此外，我们的方法能够在一秒钟内预测多达120，000个查询（一起流），并且单个查询延迟不超过2 ms。
2021-01-05 cs.AI cs.DB
Evaluating the Data Model Robustness of Text-to-SQL Systems Based on Real User Queries
Zurich University of Applied Sciences（苏黎世应用科技大学）
针对文本转SQL系统在真实场景中对不同数据模型鲁棒性研究的缺失，本文基于FootballDB真实部署数据评估其性能，量化多因素影响并提出新基准，填补了该领域空白。
2024-11-29 cs.AI cs.CL cs.DB
Overview of the EHRSQL 2024 Shared Task on Reliable Text-to-SQL Modeling on Electronic Health Records
KAIST AI（韩国科学技术院人工智能学院）
本文概述EHRSQL 2024共享任务，旨在通过文本到SQL建模为电子健康记录开发可靠问答系统，八支队伍展示了多种有效方法。
2024-05-23 cs.AI cs.CL
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
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
SQL-o1: Automatic Text-to-SQL Program Synthesis via Self-Reward Heuristic Search
School of Computer Science, Beijing University of Posts and Telecommunications, China（北京邮电大学计算机科学学院）；College of Computing and Data Science, Nanyang Technological University, Singapore（南洋理工大学计算机与数据科学学院）；State Key Laboratory of Networking and Switching Technology, Beijing University of Posts and Telecommunications, China（北京邮电大学网络与交换技术国家重点实验室）；College of Computer Science, Sichuan University, Chengdu, China（四川大学计算机学院）
SQL-o1提出自奖励启发式动态搜索方法，结合MCTS与动态剪枝，提升Text2SQL推理能力，在Bird基准上超越GPT-4模型，并展现强泛化与跨模型迁移性。
2026-11-03 cs.AI cs.DB
Enhancing LLM Fine-tuning for Text-to-SQLs by SQL Quality Measurement
Prairie View A&M University（Prairie View A&M大学）；CREDIT Center（CREDIT中心）
本文提出仅依赖SQL质量测量反馈机制来增强基于大语言模型的Text-to-SQL性能，在BIRD基准上取得与GPT4、T5等SOTA模型相当的EX和VES表现。
2024-10-02 cs.AI cs.DB cs.SE
The Stochastic Shift: A New Evaluation Paradigm for Text-to-SQL with AI Operators
Google（谷歌）
本文提出一种多层评估框架，将确定性数据库逻辑与灵活AI语义解耦，分别验证关系逻辑与AI操作，以解决Text-to-SQL中AI操作符非确定性输出的评估难题，在BigQuery和ThalamusDB上实现高达97.2%的整体准确率。
2026-09-21 cs.AI cs.DB
CHASE-SQL: Multi-Path Reasoning and Preference Optimized Candidate Selection in Text-to-SQL
Google Cloud（谷歌云）；Stanford University（斯坦福大学）
CHASE-SQL通过多智能体测试时计算、分而治之分解、执行计划思维链和实例感知合成示例生成多样SQL候选，并用微调选择智能体进行成对比较排序，在BIRD基准上取得73.0%和73.01%的最先进执行准确率。
2024-10-02 cs.AI cs.CL cs.DB
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
An Automated SQL Query Grading System Using An Attention-Based Convolutional Neural Network
Marist College（玛丽斯特学院）；Baylor University（贝勒大学）
针对SQL查询评分耗时繁琐的问题，本文提出一种基于注意力卷积神经网络的自动化评分方法，通过参数共享的独特架构生成多类知识表示，提升SQL语句理解能力，弥补现有系统的不足。
2024-06-22 cs.AI cs.CY cs.DB
SpotIt+: Verification-based Text-to-SQL Evaluation with Database Constraints
Amherst College（阿默斯特学院）；Simon Fraser University（西蒙弗雷泽大学）；VMware Research by Broadcom（Broadcom VMware 研究）
SpotIt+通过有界等价验证评估文本到SQL系统，结合规则和LLM方法挖掘约束，提升数据库差异识别能力。
2026-05-11 cs.AI cs.DB cs.LO
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
Applying Constraint Logic Programming to SQL Semantic Analysis
Complutense University of Madrid（马德里康普顿斯大学）
本文提出了使用约束逻辑编程（CLP）的SQL查询建模在一个数据独立的抽象层，专注于一些语义属性，在这样的查询信号可能的错误。首先，我们定义一个从SQL到Datasheet的转换，以及从Datasheet到CLP的转换，这样解决这个CLP程序将给出关于不一致性、重言式和可能的简化的信息。我们使用不同的约束域映射到SQL类型，并建议他们合作，以提高准确性。我们的方法利用演绎系统，包括SQL和数据库，我们提出了一个实现在这个系统中，目前正在课堂上进行测试，显示其优势和差异相对于其他方法，以及一些性能数据。本文件正在考虑被TPLP接受。
2019-07-25 cs.AI cs.DB cs.LO
A Preview of XiYan-SQL: A Multi-Generator Ensemble Framework for Text-to-SQL
Alibaba Group（阿里巴巴集团）
本文提出 XiYan-SQL 框架，通过多生成器集成、M-Schema 模式表示、上下文学习与监督微调相结合及候选精炼与选择模型，在多个文本到 SQL 基准上取得领先执行准确率。
2025-02-10 cs.AI cs.CL cs.DB
Polygon: Symbolic Reasoning for SQL using Conflict-Driven Under-Approximation Search
University of Michigan（密歇根大学）；Simon Fraser University（西蒙菲莎大学）
本文提出SQL符号推理引擎Polygon，通过对查询欠近似进行冲突驱动搜索，高效生成满足给定SMT性质的输入，在SQL等价性反驳和查询歧义消解任务上显著优于现有方法。
2025-04-09 cs.AI cs.DB cs.PL
Enhancing SQL Query Generation with Neurosymbolic Reasoning
University of Cambridge（剑桥大学）；University of Bristol（布里斯托尔大学）
提出一种结合语言模型与符号模块的神经符号架构Xander，通过最佳优先搜索和回溯生成SQL查询，显著提升了小规模开源模型的准确率并降低运行时间，使其性能超越四倍大的模型。
2024-08-25 cs.AI cs.DB cs.SE
CHESS: Contextual Harnessing for Efficient SQL Synthesis
Stanford University（斯坦福大学）；University of Alberta（阿尔伯塔大学）
针对文本转SQL面临的数据库规模、模式推理等挑战，提出基于LLM的多智能体框架CHESS，通过四个专用智能体解决对应问题，在工业级数据库支持、隐私保护性能和计算可扩展性上表现优异。
2024-11-25 cs.AI cs.DB cs.LG
SpotIt: Evaluating Text-to-SQL Evaluation with Formal Verification
Amherst College（阿姆赫斯特学院）；Simon Fraser University（西蒙弗雷泽大学）；VMware Research by Broadcom（VMware由Broadcom进行的研究）
SpotIt通过形式验证评估文本到SQL系统，发现基于测试的方法无法区分生成查询与地面真相的差异。
2026-03-04 cs.AI cs.DB cs.FL
