DivSkill-SQL Optimerar Text-to-SQL Modeller med Ny Teknik
En ny forskningsramverk kallat DivSkill-SQL förbättrar prestandan hos Text-to-SQL-ensembler genom att optimera för kompletterande färdigheter snarare än enskilda modeller.
Vad har hänt
Forskare har introducerat DivSkill-SQL, ett ramverk för restfärdighetsoptimering som skapar kompletterande agentiska Text-to-SQL-ensembler utan att kräva finjustering av modellerna. Istället för att enbart dra kandidater för SQL-frågor och välja ut den bästa, fokuserar DivSkill-SQL på att optimera nya färdigheter baserat på de exempel som den nuvarande ensemblen misslyckas med. Detta bidrar till att öka mångfalden av kandidater och minska korrelerade fel.
Snabbfakta
| Prestandaförbättring Snowflake (Spider2-Lite) | +11.1 poäng |
|---|---|
| Prestandaförbättring BigQuery (Spider2-Lite) | +8.3 poäng |
| Påverkade basmodeller | Opus-4.6, GPT-5.4 |
”We present DivSkill-SQL, a residual skill optimization framework that builds complementary agentic Text-to-SQL ensembles without model fine-tuning: each new skill is optimized on examples the current skill ensemble fails on, provably targeting its marginal contribution to Pass@K.”
”On Spider2-Lite, DivSkill-SQL improves selected accuracy by up to +11.1 points on Snowflake and +8.3 on BigQuery over the strongest ensemble baseline, with consistent gains across two base models (Opus-4.6 and GPT-5.4).”
Varför det spelar roll
Traditionella Text-to-SQL-ensembler förbättras genom att generera multipla SQL-kandidater och välja den mest korrekta. Effektiviteten begränsas dock av Pass@K, sannolikheten att minst en av K-kandidaterna är korrekt. Befintliga metoder genererar mångfald heuristiskt, vilket ofta leder till uppsättningar av kandidater dominerade av likartade fel. DivSkill-SQL:s metodik adresserar detta genom att systematiskt förbättra modellens förmåga att hantera problem som ensemblen missar, vilket provbart ökar dess marginala bidrag till Pass@K.
Vem påverkas
Forskare och utvecklare inom naturligt språkförståelse (NLP), databasadministratörer, samt användare av Text-to-SQL-system som strävar efter förbättrad noggrannhet och tillförlitlighet i SQL-genereringen påverkas. Företag som använder LLM:er för databasinteraktion kan dra nytta av ökad prestanda och minskade fel.
EU-status
Ej relevant för EU-status.
Mer att veta
DivSkill-SQL visade betydande förbättringar på benchmarks som Spider2-Lite, med upp till +11.1 poäng på Snowflake och +8.3 på BigQuery jämfört med befintliga ensembler. Metoden visade också konsekventa förbättringar över basmodeller som Opus-4.6 och GPT-5.4, och optimerade färdigheter överfördes mellan olika dialekter utan omträning.
Snabba svar om den här nyheten
Vad har hänt?
När hände det?
Varför spelar det roll?
Vilka modeller berörs?
Länken öppnar i nytt fönster och leder till utgivarens egen sida.
Källan har spårats automatiskt från utgivaren via Aheadlines signalkedja.