CHS-SQL: A Text-to-SQL approach based on Confidence-Guided Heuristic Search Schema Linking process
Hainan COSCO Shipping Technology Co., Ltd.(海南中远海运科技有限公司)
研究针对文本到SQL任务,提出CHS-SQL框架,在模式链接阶段结合模型内部置信度进行启发式搜索,平衡精确率和召回率,在SQL生成时进一步优化候选查询,避免局部最优,通过SLM取得了文本到SQL任务的最新成果。
2026-07-28 cs.AI
AgentSM: Semantic Memory for Agentic Text-to-SQL
Amazon Web Services(亚马逊网络服务);University of California, Berkeley(加州大学伯克利分校);Oracle Corporation(甲骨文公司);Snowflake Inc.(Snowflake公司)
AgentSM通过构建可解释的语义记忆,提升文本到SQL任务的效率和准确性,减少令牌使用和轨迹长度,达到更高执行精度。
2026-01-22 cs.AI cs.DB cs.LG
PSM-SQL: Progressive Schema Learning with Multi-granularity Semantics for Text-to-SQL
Guangdong University of Technology(广东工业大学);Platform and Content Group, Tencent(腾讯平台与内容事业群)
本文提出PSM-SQL框架,通过列、表、数据库多粒度渐进式模式链接和链式循环策略减少冗余模式,提升文本到SQL任务的准确率。
2025-02-07 cs.AI cs.DB
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
SQL-to-Schema Enhances Schema Linking in Text-to-SQL
Peking University(北京大学);Guizhou University(贵州大学);SenseTime Research(商汤科技研究院);University of Cologne(科隆大学);Nanyang Technological University(南洋理工大学)
针对现有Text-to-SQL方法模式链接错误多、训练成本高或性能不佳的问题,提出两步SQL-to-Schema模式链接法,先生成初始SQL再提取精简模式,在相关模型和数据集上表现优异。
2024-05-15 cs.AI cs.DB
RAT-SQL: Relation-Aware Schema Encoding and Linking for Text-to-SQL Parsers
University of Edinburgh(爱丁堡大学);UC Berkeley(加州大学伯克利分校);Microsoft Research(微软研究院)
当将自然语言问题转换为SQL查询以回答来自数据库的问题时,当代的语义解析模型难以推广到看不见的数据库模式。泛化的挑战在于(a)以语义解析器可访问的方式编码数据库关系,以及(b)在给定查询中对数据库列及其提及之间的对齐进行建模。我们提出了一个统一的框架,基于关系感知的自我注意力机制,以解决模式编码,模式链接,并在文本到SQL编码器的功能表示。在具有挑战性的Spider数据集上,该框架将精确匹配准确率提高到57.2%,比最好的同行提高了8.7%。通过进一步增强BERT,它在Spider排行榜上实现了65.6%的最新性能。此外,我们观察到模型对模式链接和对齐的理解有了质的改进。我们的实现将在https://github.com/Microsoft/rat-sql上开源。
2021-08-24 cs.AI cs.CL
EviLink: Multi-Path Schema Linking with Uncertainty-Guided Evidence Acquisition for Large-Scale Text-to-SQL
School of Software Technology, Zhejiang University(浙江大学软件学院);State Key Lab of CAD&CG, Zhejiang University(浙江大学CAD&CG国家重点实验室);Tencent TEG(腾讯TEG);School of Mathematical Sciences, Peking University(北京大学数学科学学院)
提出EviLink方法,通过多假设模式基础与不确定性引导的证据获取,重新定义模式链接为不确定性感知的模式需求推理,以平衡模式完整性、相关性和令牌成本,提升大规模Text-to-SQL性能。
2026-09-29 cs.AI cs.CL
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
MAG-SQL: Multi-Agent Generative Approach with Soft Schema Linking and Iterative Sub-SQL Refinement for Text-to-SQL
South China University of Technology(华南理工大学);Tsinghua University(清华大学)
针对复杂数据库模式与问题下文本到SQL性能不足及中间步骤缺乏监督的问题,提出MAG-SQL多智能体生成方法,采用软模式链接与迭代子SQL细化,在BIRD上以GPT-4实现61.08%执行准确率,超越基线。
2024-11-07 cs.AI cs.CL
DFIN-SQL: Integrating Focused Schema with DIN-SQL for Superior Accuracy in Large-Scale Databases
Sygnia(希格尼亚);Safra Bank(萨夫拉银行);Wells Fargo(富国银行)
本文提出 DFIN-SQL,通过在提示与 RAG 间自适应切换并预处理检索聚焦模式,降低 GPT-4 的 token 开销,在 BIRD 上以 51.69 分超过 DIN-SQL。
2024-03-01 cs.AI cs.DB
TrustSQL: Benchmarking Text-to-SQL Reliability with Penalty-Based Scoring
KAIST AI(韩国科学技术院人工智能学院)
TrustSQL基准通过惩罚评分评估文本到SQL模型的可靠性,要求模型对可行问题正确生成SQL、对不可行问题弃权(不执行),并比较流水线与统一方法,为更安全部署提供新视角。
2024-07-02 cs.AI
DCG-SQL: Enhancing In-Context Learning for Text-to-SQL with Deep Contextual Schema Link Graph
Department of Artificial Intelligence, Sungkyunkwan University(人工智能系,成均馆大学);Department of Immersive Media Engineering, Sungkyunkwan University(沉浸媒体工程系,成均馆大学);Department of Computer Science and Engineering, Sungkyunkwan University(计算机科学与工程系,成均馆大学)
本文提出 DCG-SQL,通过深度上下文章节链接图表示问题与数据库模式的语义关系并检索示例,从而在大小型 LLM 上均提升 Spider 的 Text-to-SQL 性能与效率。
2025-07-22 cs.AI cs.CL
A Multilingual Translator to SQL with Database Schema Pruning to Improve Self-Attention
Institute of Advanced Studies, University of São Paulo(圣保罗大学高等研究院);Escola Politécnica, University of São Paulo(圣保罗大学理工学院)
针对transformers处理长文本序列时自注意力机制内存二次增长的问题,提出一种基于数据库模式剪枝的多语言SQL翻译方法,使用mT5-large模型在增强的Spider数据集上微调,将验证集精确匹配准确率提升至0.736。
2023-06-25 cs.AI
RSL-SQL: Robust Schema Linking in Text-to-SQL Generation
Huazhong University of Science and Technology(华中科技大学);Alibaba Inc.(阿里巴巴集团)
针对文本转SQL任务中模式链接存在的必要元素遗漏和破坏数据库结构完整性问题,提出结合双向链接、上下文增强等策略的RSL-SQL框架,在BIRD和Spider基准上实现开源方案最优执行准确率,且使用低成本模型时优于GPT-4基系统。
2024-11-26 cs.AI cs.CL cs.DB
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
Solid-SQL: Enhanced Schema-linking based In-context Learning for Robust Text-to-SQL
School of Cyber Science and Engineering, Wuhan University(武汉大学网络科学与工程学院);Big Data and AI Platform Department, Tencent(腾讯大数据与人工智能平台部)
Solid-SQL通过增强模式链接和两轮结构相似性示例检索,提升文本到SQL系统在对抗扰动下的稳健性,在Spider和Bird上分别达到82.1%和58.9%的准确率,并在扰动基准上平均提升11.6%。
2024-12-17 cs.AI cs.CL
SchemaGraphSQL: Efficient Schema Linking with Pathfinding Graph Algorithms for Text-to-SQL on Large-Scale Databases
University of Tehran(德黑兰大学);Sharif University of Technology(谢里夫理工大学)
提出一种零样本、无需训练的模式链接方法,利用外键图与路径查找算法优化Text-to-SQL,在BIRD基准上达到最先进性能,兼具简单、低成本与高可扩展性。
2025-05-23 cs.AI cs.CL cs.DB
The Death of Schema Linking? Text-to-SQL in the Age of Well-Reasoned Language Models
Distyl AI;Polytechnique Montreal(蒙特利尔理工学院)
本研究重新审视Text-to-SQL中的模式链接,发现新LLM能处理大量不相关模式,故在模式适配上下文时放弃模式链接,并采用增强、选择和纠正技术,在BIRD基准上以71.83%准确率排名第一。
2026-09-17 cs.AI cs.CL cs.IR
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
Extractive Schema Linking for Text-to-SQL
IBM Research AI(IBM研究院AI部门)
本文提出一种适配仅解码器LLM的抽取式模式链接新方法,通过细粒度控制精确率-召回率权衡,在提升Text-to-SQL任务计算效率和准确率的同时,解决了大数据库模式放入提示的难题。
2025-01-23 cs.AI cs.CL cs.DB
EvoSchema: Towards Text-to-SQL Robustness Against Schema Evolution
The Ohio State University(俄亥俄州立大学);Adobe Inc.(Adobe公司);Purdue University(普渡大学)
EvoSchema通过模拟数据库模式演变,评估并提升文本到SQL系统在动态环境下的鲁棒性。
2026-03-11 cs.AI cs.CL cs.DB
Auto prompt sql: a resource-efficient architecture for text-to-sql translation in constrained environments
针对资源受限环境下Text-to-SQL方法依赖高资源模型的难题,提出AP-SQL架构,结合小型开源模型与闭源大模型能力,通过任务分解、模型微调及CoT、GoT提示工程提升SQL生成准确率,在Spider基准上验证了有效性。
2025-08-31 cs.AI cs.CL
PET-SQL: A Prompt-Enhanced Two-Round Refinement of Text-to-SQL with Cross-consistency
SenseTime Research(商汤科技研究院);Peking University(北京大学);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院);School of Computer Science and Technology, Beijing Institute of Technology(北京理工大学计算机学院);University of Cologne(科隆大学)
提出两阶段框架PET-SQL,通过参考增强提示和模式链接生成SQL,并利用跨LLM交叉一致性进行优化,在Spider基准上以87.6%执行准确率创SOTA。
2024-06-02 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
AgentNLQ: A General-Purpose Agent for Natural Language to SQL
JPMorganChase(摩根大通)
本研究提出了一种多代理方法,用于改进自然语言到SQL的转换,该方法在BIRD基准测试中实现了78.1%的语义准确率,并通过优化的多代理解决方案、先进的模式增强方法以及跨不同领域和数据集的评估,展示了方法的准确性和泛化能力。
2026-05-18 cs.AI
Schema on the Inside: A Two-Phase Fine-Tuning Method for High-Efficiency Text-to-SQL at Scale
本文提出一种两阶段监督微调方法,使模型能内部化整个数据库架构,减少输入token至100以下,提升文本到SQL的精度和效率。
2026-03-25 cs.AI cs.CL
Reliable Text-to-SQL with Adaptive Abstention
University Of Toronto(多伦多大学);Seattle University(西雅图大学);York University(约克大学)
提出RTS框架,通过自适应弃权与人在回路机制增强文本到SQL的可靠性,利用分支点预测实现近乎完美的架构链接,在BIRD基准上以小型模型接近SOTA性能。
2025-01-18 cs.AI cs.DB
CRED-SQL: Enhancing Real-world Large Scale Database Text-to-SQL Parsing through Cluster Retrieval and Execution Description
Harbin Institute of Technology, Shenzhen, China(哈尔滨工业大学(深圳));Pengcheng Laboratory, Shenzhen, China(鹏城实验室);Inspur Cloud Information Technology Co., Ltd, Jinan 250101, China(浪潮云信息技术有限公司);Guangdong Power Grid Co., Ltd, China(广东电网公司)
针对大规模数据库中文本转SQL任务存在的语义不匹配问题,提出集成聚类检索和执行描述的CRED-SQL框架,通过聚类模式检索和EDL中间表示提升性能,在SpiderUnion和BirdUnion上实现SOTA。
2025-08-20 cs.AI cs.CL
RASL: Retrieval Augmented Schema Linking for Massive Database Text-to-SQL
Amazon(亚马逊)
针对大语言模型数据库自然语言接口难以扩展到企业级海量数据目录的问题,提出RASL检索增强架构,拆解模式元数据为语义单元单独索引,兼顾表识别与列信息利用,在海量数据库上表现优于基线,无需领域微调即可适配企业场景。
2025-07-30 cs.AI cs.CL cs.LG
DecoSearch: Complexity-Aware Routing and Plan-Level Repair for Text-to-SQL
Florida International University(佛罗里达国际大学);NEC-Labs(NEC实验室);Singapore Management University(新加坡管理大学)
提出DecoSearch框架,通过复杂度感知路由将查询分配给直接生成或DAG分解,并结合拓扑精炼器修复执行失败,在BIRD和Spider上取得高准确率且显著降低token消耗。
2026-06-17 cs.AI
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
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
LatentRefusal: Latent-Signal Refusal for Unanswerable Text-to-SQL Queries
Fudan University(复旦大学);Pennsylvania State University(宾夕法尼亚州立大学);Abington College(阿宾顿学院)
本文提出LatentRefusal方法,通过分析大语言模型的中间隐藏激活来预测查询可回答性,从而在文本到SQL系统中实现安全拒绝,提升系统安全性与效率。
2026-04-14 cs.AI
UniSAr: A Unified Structure-Aware Autoregressive Language Model for Text-to-SQL
Harbin Institute of Technology(哈尔滨工业大学);Microsoft Research Asia(微软亚洲研究院)
现有的文本到SQL语义解析器通常是为特定的设置而设计的,例如处理跨多个表、域或轮次的查询,这使得它们在应用于不同的设置时无效。我们提出了UniSAr(统一结构感知自回归语言模型),它受益于直接使用现成的语言模型架构,并在不同的设置下表现出一致的高性能。具体来说,UniSAr扩展了现有的自回归语言模型,以纳入三个非侵入性扩展,使它们结构感知:(1)添加结构标记编码数据库模式,会话上下文,以及它们的关系;(2)约束解码解码良好的结构化SQL为给定的数据库模式;(3)SQL完成,以完成潜在的缺失连接关系的SQL数据库模式的基础上。在涵盖多域、多表和多回合的七个著名的文本到SQL数据集上,UniSAr表现出与最先进的专门设计的文本到SQL模型高度可比或更好的性能。重要的是,我们的UniSAr是非侵入性的,因此文本到SQL的其他核心模型也可以采用我们的扩展来进一步提高性能。
2022-04-13 cs.AI cs.CL cs.DB
DexterSQL: Deep Schema Exploration and Rule-based Correction for Text-to-SQL Generation
New Jersey Institute of Technology(新泽西理工学院);Virginia Tech(弗吉尼亚理工大学)
DexterSQL是基于提示的非微调Text-to-SQL系统,通过深度模式探索器、数据库无关规则创建器、多路径SQL生成三个组件,在BIRD-Dev数据集上提升了开源与闭源大语言模型的Text-to-SQL生成准确率。
2026-09-10 cs.AI cs.CL cs.DB
SAFAARI: Schema-Aware Framework for Accelerated Advertiser Response Intelligence
SAFAARI是用于加速广告商响应智能的多智能体框架,通过专门智能体解决NL-to-SQL系统模式链接瓶颈,引入SEAL评估性能。实验显示其SEAL分数达81.66%,开发时间减少8倍,经专家评估有效,提升了自助服务能力,助力复杂数据生态企业。
2026-07-29 cs.AI cs.SE
Text-to-SQL Domain Adaptation via Human-LLM Collaborative Data Annotation
Purdue University(普渡大学);Adobe Inc.(Adobe公司)
针对Text-to-SQL模型适配新数据库模式时领域标注数据稀缺、获取成本高的问题,提出人-LLM协同标注系统SQLsynth,可高效生成更高质量的标注数据集。
2025-11-14 cs.AI cs.DB cs.HC
Schema-First Retrieval: Embedding Catalogs for Natural Language Analytics
提出Schema-First Retrieval方法,通过索引目录元数据而非数据行,结合向量搜索、重排序和工作负载记忆,显著提升文本到SQL的表和列召回率,减少SQL执行错误。
2026-06-23 cs.AI cs.IR
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
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
From Benchmarks to Production: A Text-to-SQL System for Complex Financial Data
Kensho Technologies
针对生产金融数据库中不透明整数键导致通用文本到SQL性能低下的问题,提出FLINT系统,通过查找代理、嵌入检索和基于外键链的模式链接三个组件,在359个问题上超越多种基线,并已部署于生产环境。
2026-10-05 cs.AI cs.DB cs.LG
Reflect-SQL: A Self-Reflection Based Framework for Text-to-SQL
International Institute of Information Technology Hyderabad(国际信息技术研究所海得拉巴分校)
Reflect-SQL是一种基于多阶段自反思的Text-to-SQL框架,通过LLM作为评判者的反馈循环优化结果,在BIRD基准上实现72.03%执行准确率,显著优于现有方法,提升了企业数据访问的可靠性。
2026-09-04 cs.AI cs.IR
LR-SQL: A Supervised Fine-Tuning Method for Text2SQL Tasks under Low-Resource Scenarios
College of Internet of Things, Nanjing University of Posts and Telecommunications(南京邮电大学物联网学院)
针对数据库复杂性导致微调GPU内存需求增加的问题,提出LR-SQL方法,通过分解数据库为表的灵活组合并训练思维链,在仅微幅降低准确率的情况下显著减少GPU内存使用。
2024-10-15 cs.AI cs.CL cs.DB
Relation Aware Semi-autoregressive Semantic Parsing for NL2SQL
Ant Group(蚂蚁集团);Fudan University(复旦大学)
自然语言到SQL(NL 2 SQL)旨在将给定数据库的自然语言解析为SQL查询,广泛出现在实际的互联网应用中。数据库模式和问句的联合编码是NL2SQL中一个困难而重要的任务。一种解决方案是将输入视为异构图。然而,它未能学习到好的词汇表征问题的话语。学习更好的词表示对于构建一个设计良好的NL2SQL系统非常重要。为了解决这一难题,我们提出了一个关系感知的半自回归语义解析(\MODN)框架,该框架更适合于NL2SQL。它首先学习关系嵌入模式实体和问题词与预定义的模式关系与ELECTRA和关系感知Transformer层作为骨干。然后,我们解码查询SQL与半自回归解析器和预定义的SQL语法。从实证结果和案例研究,我们的模型表明,在学习更好的词表示在NL2SQL的有效性。
2021-08-02 cs.AI cs.CL
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
Meta-aware Learning in text-to-SQL Large Language Model
Walmart Global Tech(沃尔玛全球科技)
提出元感知学习框架,整合领域知识、数据库模式、思维链和元数据关系,通过四种学习策略微调LLM,提升商业领域SQL生成的执行准确率、多任务能力并减少灾难性遗忘。
2025-05-25 cs.AI cs.CL
From SQL to Knowledge Graphs: An LLM-Driven Multi-Agent Approach with Data Schema Improvement
HCMC University of Technology(胡志明市理工大学);University of Alberta(阿尔伯塔大学);University of Alabama at Birmingham(阿拉巴马大学伯明翰分校)
该研究提出一种LLM驱动的多智能体系统,可将RDBMS自动转换为图数据库,经实验验证其问答准确率及延迟表现均优于传统SQL方案。
2026-08-28 cs.AI cs.DB
What Predicts Correctness in Text-to-SQL? A Selective-Prediction Study
研究哪些信号能预测文本到SQL的正确性,黑盒信号AUROC在0.61到0.68之间,基于验证的评判器分数更高,集成可达0.82 AUROC。还探讨验证器训练,微调后的验证器在分布内表现较好,但跨模式泛化能力不足。
2026-07-09 cs.AI cs.LG
SQLfuse: Enhancing Text-to-SQL Performance through Comprehensive LLM Synergy
Ant Group(蚂蚁集团);OceanBase(OceanBase( OceanBase是蚂蚁集团旗下的分布式数据库品牌,保留英文原名))
SQLfuse通过集成开源LLM与模式挖掘、模式链接、SQL生成及评论四大模块,提升文本到SQL转换的准确性与可用性,并在Spider基准上取得领先表现。
2024-07-19 cs.AI cs.CL cs.DB
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
Database Context Compression for Text-to-SQL on Real-World Large Databases
National Engineering Research Center of Software Engineering, Peking University(软件工程国家工程研究中心,北京大学);School of Computer Science, Peking University(北京大学计算机学院);Peking University Information Technology Institute, Tianjin Binhai(天津滨海大学信息技术研究所,北京大学)
针对真实大型数据库中文本到SQL性能瓶颈,提出基于SGCF原则的数据库上下文压缩方法DBCC,通过离线结构语义压缩和在线证据净化,将输入上下文减少两个数量级,并提升模式链接召回率和执行准确率。
2026-06-26 cs.AI cs.DB
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
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
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