Understanding the Effects of Noise in Text-to-SQL: An Examination of the BIRD-Bench Benchmark
Linköping University(林雪平大学);Silo AI
本研究深入分析了BIRD-Bench基准中问题与金标准查询的噪声分布及其对模型可靠性的影响,发现在修正SQL后零样本基线超越最先进提示方法,强调可靠基准与噪声标签对开发Text-to-SQL方法的重要性。
2024-03-25 cs.CL
Agent Bain vs. Agent McKinsey: A New Text-to-SQL Benchmark for the Business Domain
Cornell University(康奈尔大学);Gena AI
CORGI是一个新的文本到SQL基准测试,旨在评估业务领域中更复杂的问题,如预测和推荐,揭示LLM在处理复杂任务时的性能下降。
2026-01-13 cs.CL
Bridging Business Intent and Data: A Benchmark for Automatic Relational Data Product Generation
IBM Research(IBM研究院)
DP-Bench是一个全新的基准,用于评估自动数据产品创建,结合了ELT和文本到SQL基准,并提出基于大语言模型的方法作为基线。
2026-08-26 cs.CL cs.DB
ESQ-Bench: A Multi-Tier Enterprise Oracle Benchmark for Evaluating NL2SQL Dialect Generalization and Silent Semantic Divergence
Torrens University Australia(澳大利亚托伦斯大学)
ESQ-Bench是一款以Oracle为核心的多层级企业NL2SQL基准,实验发现闭源模型在该基准上表现优于开源模型,且隐性语义分歧在高复杂度层级中占比极高。
2026-08-26 cs.AI
Do LLMs Align with My Task? Evaluating Text-to-SQL via Dataset Alignment
University of Alberta(阿尔伯塔大学);Huawei Tech. Canada(华为技术加拿大)
本文研究NL2SQL任务中SFT训练数据与目标查询的结构对齐,提出通过比较结构SQL特征分布来估计对齐程度,实验证明高对齐带来显著性能提升,强调对齐感知的数据选择的重要性。
2025-10-06 cs.AI cs.CL cs.DB
Evaluating LLMs on Conversational Text-to-SQL under Chain Ambiguity and Intent Drift
The Hong Kong Polytechnic University(香港理工大学);City University of Macau(澳门城市大学);Jilin University(吉林大学);Beihang University(北京航空航天大学);Jinan University(暨南大学)
研究针对对话式文本转SQL中用户意图演变未被现有基准覆盖的问题,推出TIDE-Bench基准并评估12个LLMs,发现链识别瓶颈等问题,代码已发布。
2026-09-01 cs.AI cs.CL cs.DB
TabQueryBench: A Query-Centric Benchmark for Synthetic Tabular Data
University of Hong Kong(香港大学);Tongji University(同济大学);Carnegie Mellon University(卡内基梅隆大学);University of Maryland, College Park(马里兰大学学院公园分校)
提出TabQueryBench以查询为中心的基准测试,用SQL查询评估合成数据保真度,将查询分类为模板并生成可执行SQL查询,实验展示了当前表格生成模型在查询保真度等方面的五种模式。
2026-10-14 cs.AI cs.DB
Evaluating LLMs for Text-to-SQL Generation With Complex SQL Workload
Ontario Tech University(安大略理工大学)
本研究比较了TPC-DS、BIRD和Spider三个Text-to-SQL基准的结构复杂性,并利用11个LLMs在TPC-DS上生成SQL查询,发现现有生成式AI模型在复杂决策查询上的准确性不足以实际应用。
2024-07-28 cs.AI cs.DB
Evaluating the Text-to-SQL Capabilities of Large Language Models
University of Cambridge(剑桥大学);ServiceNow(ServiceNow公司);Mila(米拉研究所);McGill University(麦吉尔大学)
我们执行的Codex语言模型的文本到SQL的能力的实证评估。我们发现,在没有任何微调的情况下,Codex是Spider基准测试的强大基线;我们还分析了Codex在此设置中的故障模式。此外,我们在GeoQuery和Scholar基准测试中证明,提示中提供的少量域内示例使Codex能够比在此类Few-Shot示例上微调的最先进模型表现更好。
2022-03-15 cs.CL cs.DB cs.LG
Spider 2.0: Evaluating Language Models on Real-World Enterprise Text-to-SQL Workflows
University of Hong Kong(香港大学);Salesforce Research(Salesforce 研究院);Sea AI Lab(Sea AI 实验室);Google Deepmind(谷歌DeepMind);Google Cloud AI Research(谷歌云 AI 研究院);University of Waterloo(滑铁卢大学)
本文提出含632个真实企业问题的 Spider 2.0 基准,评估语言模型在复杂跨库、多方言 SQL 工作流中的能力,结果显示最强代码智能体仅解决21.3%任务。
2025-03-17 cs.AI cs.CL cs.DB
NL2SQLBench: A Modular Benchmarking Framework for LLM-Enabled NL2SQL Solutions
National University of Singapore(新加坡国立大学);Zhejiang University(浙江大学)
本文提出NL2SQLBench框架,用于评估LLM驱动的NL2SQL方法,通过三个核心模块分析现有策略并提出新指标,评估十种开源方法,揭示现有方法的准确性和效率问题,为未来创新提供指导。
2026-04-13 cs.AI cs.CL cs.DB
FuncEvalGMN: Evaluating Functional Correctness of SQL via Graph Matching Network
ByteDance Inc.(字节跳动公司)
提出基于图匹配网络的SQL功能正确性评估方法,利用关系运算符树和GNN预测,并贡献数据集Pair-Aug-Spider以克服传统指标局限。
2024-07-09 cs.AI cs.DB
Evaluating NL2SQL via SQL2NL
Oracle AI
本研究提出基于SQL2NL的模式对齐释义框架,单独评估NL2SQL模型对语言变异的鲁棒性,发现现有先进模型脆弱性远超标准基准表现,且鲁棒性下降受模型规模、查询复杂度等多因素影响。
2025-09-04 cs.AI cs.CL cs.DB
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
PARROT: A Benchmark for Evaluating LLMs in Cross-System SQL Translation
Shanghai Jiao Tong University(上海交通大学);Tsinghua University(清华大学);ByteDance(字节跳动)
本文提出 PARROT 跨系统 SQL 翻译基准,通过多规模变体与 22 种生产级数据库系统评估 LLM 的 SQL 方言理解能力,并公开代码与排行榜。
2025-09-27 cs.AI cs.CL cs.DB
Evaluating LLMs in Database Scenarios: A Lifecycle Benchmark for Assessing Their Potential in Core Database Tasks
East China Normal University(华东师范大学);Hasso Plattner Institute/University of Potsdam(哈索·普拉特纳研究所/波茨坦大学)
研究针对现有LLM数据库评估基准仅聚焦Text-to-SQL任务的缺陷,推出覆盖数据库全生命周期的DBLifeBench基准,还提出Progressive-Text2SQL任务,发现专用Text-to-SQL模型在非编码阶段存在灾难性遗忘,为全栈数据库智能构建奠定基础。
2026-08-05 cs.AI cs.CL cs.DB
LLM-SQL-Solver: Can LLMs Determine SQL Equivalence?
UC Santa Barbara(圣巴巴拉大学)
本文研究利用大语言模型判断SQL查询等价性,提出Miniature & Mull和Explain & Compare两种提示技术,分别用于语义等价和宽松等价评估,实验表明LLM是有前景的SQL等价性判定与生成质量评估工具。
2025-03-12 cs.CL cs.DB
Evaluating SQL Understanding in Large Language Models
University of Western Ontario(韦仕敦大学);McMaster Unviersity(麦克马斯特大学);University of British Columbia(不列颠哥伦比亚大学)
本文评估大型语言模型在SQL任务中的理解能力,通过检测语法错误、识别缺失token、预测查询性能等任务,揭示模型在语义理解和连贯性方面的局限。
2024-10-14 cs.DB
TARGET: Benchmarking Table Retrieval for Generative Tasks
UC Berkeley(伯克利大学);Capital One(Capital One公司);CWI(荷兰代尔夫特理工大学)
针对生成式任务中合适表格检索的核心问题,提出表格检索基准TARGET,评估不同检索器性能及对下游任务影响,发现稠密嵌入检索器优于BM25,且检索性能受元数据、数据集和任务影响差异显著。
2025-05-14 cs.AI cs.CL cs.DB
LLM-Driven Data Generation and a Novel Soft Metric for Evaluating Text-to-SQL in Aviation MRO
针对航空MRO领域text-to-SQL任务传统评估指标僵化、领域数据集稀缺的问题,提出基于F1的软评估指标和LLM驱动的问题-SQL对生成流水线,经真实MRO库验证有效,为该领域text-to-SQL系统评估与发展提供框架。
2025-06-11 cs.DB cs.IR
Spider 2.0-AIFunc: Extending Real-World Text-to-SQL to AI-Native SQL Workflows
UC San Diego(加州大学圣地亚哥分校);Snowflake AI Research(Snowflake人工智能研究院);University of Hong Kong(香港大学)
研究针对现有文本到SQL基准无法评估模型生成人工智能原生SQL能力的问题,构建Spider 2.0-AIFunc基准,经特定管道和多轮验证,评估十个先进语言模型,发现准确率差距及传统代理框架转移无效等情况。
2026-07-08 cs.AI cs.CL cs.DB
ABISS: Evaluating Text-to-SQL Systems Through Agent Interaction
University of Modena and Reggio Emilia(摩德纳和雷焦艾米利亚大学);Athena Research Center(阿瑞娜研究中心)
研究针对文本到SQL系统在处理现实模糊问题的不足,提出统一分类法、多代理生成管道及动态模拟环境ABISS。通过实验揭示模型在子类别分类和澄清条件下SQL生成的瓶颈,提供真实类别虽有收益,但模糊问题执行率仍低,且发布相关代码。
2026-07-28 cs.DB
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
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
A Demonstration of SQLyzr: A Platform for Fine-Grained Text-to-SQL Evaluation and Analysis
University of Waterloo(滑铁卢大学)
本文介绍SQLyzr平台,通过细粒度评估和分析改进文本到SQL模型,提供多种指标和真实场景下的评估方法。
2026-04-28 cs.AI cs.DB
ProcArena: A Multi-Scenario Benchmark for LLMs on Direct and Interactive PL/SQL Development from Natural Language
Tsinghua University(清华大学);Lenovo Group Limited(联想集团有限公司)
本文提出ProcArena,一个覆盖直接与交互模式、含3998个可执行任务的多场景PL/SQL开发基准,评估七种大语言模型,结果显示最佳平均得分仅62.2%和57.8%,表明该任务仍具挑战性。
2026-09-09 cs.AI cs.CL cs.DB
Conversational Task Disambiguation over Tabular Data: Leakage-Aware Formulation, Benchmark Suite, and Training
Layer 6 AI
该研究针对表格数据的对话式任务歧义消除,提出感知泄漏的框架,构建AmbiTab基准套件,用强化学习训练提问策略,提升了歧义消除指标与任务成功度,还可诊断神谕泄漏。
2026-10-09 cs.AI cs.CL cs.LG
Evaluating the Practical Effectiveness of LLM-Driven Index Tuning on Microsoft SQL Server
Microsoft Research(微软研究院)
本文通过工业基准和真实企业工作负载评估LLM驱动的索引优化效果,对比微软数据库优化顾问(DTA),发现LLM在部分情况下能提供更优执行时间配置,但生产环境中应用仍面临性能波动、集成影响和验证成本等挑战。
2026-07-29 cs.DB
A Survey of Text-to-SQL in the Era of LLMs: Where are we, and where are we going?
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Renmin University of China(中国人民大学);Tsinghua University(清华大学)
本文综述了大语言模型时代下文本到SQL技术的发展现状、核心方法及未来挑战。
2026-08-25 cs.AI cs.DB
IndicDBBench - Benchmarking Multilingual Text-to-SQL Capabilities in Indian Languages
National Data and Analytics Platform(国家数据与分析平台);India Data Portal(印度数据门户);NDAP(国家数据与分析平台);ICRISAT(国际作物研究所);IHDS(印度家庭与育儿调查)
IndicDB是一个多语言文本到SQL基准测试,用于评估跨语言语义解析能力,包含20个数据库和237张表,通过迭代三代理框架生成15617个任务,揭示了印度语言在SQL解析中的性能差距。
2026-11-03 cs.AI cs.CL cs.DB
DataClawEval: A Benchmark for Data Engineering Agents in Real Industrial Harness
Tencent(腾讯);Xidian University(西安电子科技大学);South China Normal University(华南师范大学)
DataClawEval是首个针对真实工业数据工程场景的智能体基准,含100项跨5种引擎的任务,用确定性脚本评分,评估16个前沿智能体发现最强模型仅得74.9分,自主数据工程仍是挑战。
2026-07-31 cs.AI
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
Evaluating Hive and Spark SQL with BigBench
这项工作的目标是利用BigBench [1]作为大数据基准,并评估和比较两个处理引擎:MapReduce [2]和Spark [3]。MapReduce是Hadoop上处理数据的成熟引擎。Spark是一个流行的替代引擎,它承诺比现有的MapReduce引擎更快的处理时间。BigBench之所以被选中进行比较,是因为它是第一个端到端分析大数据基准,目前正作为TPCx-BB接受公众审查[4]。我们的目标之一是通过执行各种可伸缩性测试来评估基准测试,并验证它能够对处理引擎进行压力测试。首先,我们分析了在Spark上执行BigBench [1]的可用MapReduce实现所需的步骤。然后,在MapReduce/Hive上以不同的比例因子执行所有30个BigBench查询,以查看性能如何随着数据大小的增加而变化。接下来,这组HiveQL查询在Spark SQL上执行,并与它们各自的Hive运行时进行比较。本报告详细介绍了如何设置实验性Hadoop集群并在Hive和Spark SQL上执行BigBench。它提供了针对不同比例因子执行的所有实验的绝对时间以及可用于验证正确基准执行的查询结果。此外,在我们的工作中遇到并解决了多个问题和解决方法。代表BigBench查询的一个子集的资源利用率(CPU,内存,磁盘和网络使用)的评估,以说明两个处理引擎上的不同查询组的行为。最后但并非最不重要的一点是,…
2016-01-13 cs.DB cs.DC
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
Both Ends Count! Just How Good are LLM Agents at "Text-to-Big SQL"?
RWTH Aachen University(亚琛工业大学)
本文提出评估『文本到大数据SQL』的新指标,揭示传统文本到SQL指标在处理大规模数据时的不足,展示LLM代理在执行效率、成本及数据规模影响方面的表现。
2026-04-13 cs.CL cs.DB cs.IR
SING-SQL: A Synthetic Data Generation Framework for In-Domain Text-to-SQL Translation
Bilkent University(比尔肯特大学)
本文提出 SING-SQL 全自动合成数据框架,通过子模式划分、多级 SQL 生成与质量校验提升单库 Text-to-SQL,微调模型在 BIRD 上取得同规模开源最优。
2025-09-30 cs.AI cs.DB
SynSQL: Synthesizing Relational Databases for Robust Evaluation of Text-to-SQL Systems
University of Alberta(阿尔伯塔大学);Department of Computing Science(计算机科学系)
SynSQL通过合成语义一致的关系数据库,揭示了文本到SQL系统在固定基准数据库外的性能下降,为研究LLM的结构化数据合成能力提供新视角。
2026-04-29 cs.DB
MFTune: An Efficient Multi-fidelity Framework for Spark SQL Configuration Tuning
Peking University(北京大学)
本文提出MFTune框架,通过查询驱动的保真度划分策略和密度优化机制,有效解决Spark SQL配置调优中的高成本与低效率问题,实验表明其在TPC-H和TPC-DS基准测试中优于现有方法。
2026-07-14 cs.DB
Complexity of Evaluating GQL Queries
CNRS, LaBRI, Univ. Bordeaux(法国国家科学研究中心,拉布里实验室,波尔多大学);University of Kaiserslautern-Landau and MPI-SWS(凯泽斯劳滕-兰道大学与马克斯·普朗克计算机科学研究所);Hebrew University of Jerusalem(耶路撒冷希伯来大学)
本文解决了GQL查询求值复杂度的基础问题,证明其一般数据复杂度为P^NP[log]完全、无限制器时为NL完全,且该结论对无限具体域查询也成立,同时建立了GQL与关系查询语言及二阶逻辑片段的紧密关联。
2025-10-22 cs.DB
Evaluating Query Languages and Systems for High-Energy Physics Data [Extended Version]
在高能物理(HEP)领域,一般的查询语言,特别是SQL,已被有限地接受。这是令人惊讶的,因为HEP数据分析很好地匹配了SQL模型:数据是完全结构化的,并且大多使用标准操作符进行查询。为了深入了解为什么会出现这种情况,我们使用HEP基准对六种不同的通用数据处理平台进行了全面分析。评估的结果是现有解决方案的有趣且相当复杂的画面:它们的查询语言在如何表达自然和简洁的HEP查询模式方面差异很大。此外,它们中的大多数也比粒子物理学家今天使用的特定领域系统慢一到两个数量级。这些观察结果表明,虽然数据库系统和它们的查询语言在原则上是可行的工具,为HEP,重要的工作仍然是使他们相关的HEP研究人员。
2021-10-30 cs.DB hep-ex
RelationalFactQA: A Benchmark for Evaluating Tabular Fact Retrieval from Large Language Models
University of Basilicata(巴西利卡塔大学);EURECOM
本文提出RelationalFactQA基准,用于评估LLMs从参数化知识生成结构化表格输出的能力,发现现有模型在关系型事实检索上准确率低于25%且随输出维度增加而下降。
2025-05-27 cs.AI cs.CL cs.DB
InterCode: Standardizing and Benchmarking Interactive Coding with Execution Feedback
Princeton University(普林斯顿大学)
本文提出 InterCode 框架,将交互式编程标准化为强化学习环境,以代码为动作、执行反馈为观测,并在 Bash、SQL 和 Python 三个环境中验证其能有效提升 LLM 的代码生成能力。
2023-10-30 cs.CL cs.LG cs.SE
ELT-Bench: An End-to-End Benchmark for Evaluating AI Agents on ELT Pipelines
University of Illinois (UIUC)(伊利诺伊大学(UIUC))
针对当前数据工程基准缺乏端到端ELT管道评估的问题,本文提出ELT-Bench基准,含100个管道等资源,评估显示现有AI智能体性能低,为开发更先进智能体提供了评估基础。
2025-04-14 cs.AI cs.DB
Path-based Algebraic Foundations of Graph Query Languages
针对图查询引擎缺乏评估路径查询的代数方法这一局限,提出一种将路径作为一等实体的抽象代数,能表达GQL和SQL/PGQ的核心路径查询片段并支持查询优化,为路径查询评估提供了形式化框架。
2024-10-12 cs.DB
Rethinking Agentic Workflows: Evaluating Inference-Based Test-Time Scaling Strategies in Text2SQL Tasks
Bosch Research North America, USA(博世美国研究北美洲);Bosch Center for Artificial Intelligence (BCAI)(博世人工智能中心)
本文在 BIRD Mini-Dev 基准上评估了六种测试时间扩展策略和四个 LLM,发现 Divide-and-Conquer 提示和少样本演示能持续提升性能,揭示了部署 Text2SQL 系统时准确率、效率和复杂性的权衡。
2025-10-13 cs.CL cs.DB
Fundamental Challenges in Evaluating Text2SQL Solutions and Detecting Their Limitations
Apple(苹果公司);University of Waterloo(滑铁卢大学)
本文系统分析了 Text2SQL 评估中的根本性挑战,指出数据质量与匹配函数偏差两大未解决问题,提出统一局限性分类体系并通过前沿方案与基准进行实证调查,为每类局限性给出缓解策略并讨论部署中的开放挑战。
2025-01-30 cs.DB cs.LG
GeoSQL-Eval: First Evaluation of LLMs on PostGIS-Based NL2GeoSQL Queries
State Key Laboratory of Information Engineering in Surveying, Mapping, and Remote Sensing, Wuhan University(武汉大学测绘遥感信息工程国家重点实验室);School of Resource and Environmental Sciences, Wuhan University(武汉大学资源与环境科学学院)
针对现有基准缺乏GeoSQL系统评估的空白,研究提出首个面向PostGIS的NL2GeoSQL评估框架GeoSQL-Eval与基准GeoSQL-Bench,经多模型评估验证后发布公开排行榜,为空间数据库大模型评估提供标准化框架。
2025-10-02 cs.AI cs.DB cs.LG
Natural Language Access to Domain-Specific Metadata: A Reusable Framework for LLM Query Generation
Max Planck Institute for Biological Cybernetics(马克斯·普朗克生物信息学研究所)
研究针对特定领域档案元数据查询难题,提出NLKGQ系统,借助OWL本体和LLMs,能零样本生成准确结构化查询。经神经影像档案元数据实验,最佳配置准确率达100%,明确影响准确率关键因素,还对比SPARQL与SQL,凸显OWL优势。
2026-09-11 cs.AI cs.DB
ELT-Bench-Verified: Benchmark Quality Issues Underestimate AI Agent Capabilities
IBM Research(IBM研究院);ETH Zurich(苏黎世联邦理工学院);University of Illinois (UIUC)(伊利诺伊大学厄巴纳-香槟分校)
本文通过重新评估ELT-Bench发现代理能力被低估,提出Auditor-Corrector方法修正评估质量,构建ELT-Bench-Verified提升评估准确性。
2026-04-02 cs.AI cs.DB
IDEBench: A Benchmark for Interactive Data Exploration
分析数据库系统的现有基准,如TPC-DS和TPC-H,是为静态报告场景设计的。这些基准测试的主要指标是在合成数据库上运行单个SQL查询的性能。在本文中,我们认为,这样的基准是不适合评估数据库的工作负载源自交互式数据探索(IDE)系统,其中大多数查询是临时的,而不是基于预定义的报告,并逐步建立。作为一个主要的贡献,我们提出了一个新的基准称为IDEBench,可用于评估IDE工作负载的数据库系统的性能。与传统的分析数据库系统基准测试相反,我们的目标是提供更有意义的工作负载和数据集,可用于对IDE查询引擎进行基准测试,特别关注捕获查询性能和结果质量之间的权衡的指标。作为第二个贡献,本文评估和讨论了选定的IDE查询引擎使用我们的基准测试的性能结果。该研究包括两个商业系统,以及两个研究原型(IDEA,approximateDB/XDB)和一个传统的分析数据库系统(MonetDB)。
2018-04-07 cs.DB
CrypQ: A Database Benchmark Based on Dynamic, Ever-Evolving Ethereum Data
针对现有数据库基准测试难以评估动态演化数据处理能力的问题,本文提出基于以太坊区块链动态数据的CrypQ基准测试,提供高容量演化数据集及相关工具,可用于评估查询优化器等数据库组件。
2024-11-26 cs.DB
Create Benchmarks for Data Lakes
本文提出了一种新的数据湖基准测试框架,用于评估不同数据湖实现的性能,涵盖多种数据类型和工作负载模型,通过实验验证其在商业和开源平台中的应用。
2026-01-27 cs.DB
Accelerating Relational Database Analytical Processing with Bulk-Bitwise Processing-in-Memory
本文提出利用批量位级内存计算(PIM)全栈适配关系型数据库OLAP应用,通过在内存中并行处理整个数据库并仅传输结果,相比Monet-DB实现4.65倍加速。
2023-07-02 cs.DB