DTS-SQL: Decomposed Text-to-SQL with Small Large Language Models

最新推荐文章于 2025-06-13 14:49:30 发布
最新推荐文章于 2025-06-13 14:49:30 发布
阅读量321 收藏
点赞数
文章标签： sql 语言模型 数据库
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/c_cpp_csharp/article/details/136565663
版权
LLM 日更 专栏收录该内容
828 篇文章

已下架不支持订阅

本文提出了一种两阶段微调方法，将Text-to-SQL任务分解，有效缩小开源小模型与专有大模型在性能上的差距，平均提升执行精度3%至7%。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

本文是LLM系列文章，针对《DTS-SQL: Decomposed Text-to-SQL with Small Large Language Models》的翻译。

DTS-SQL：使用小型-大语言模型分解Text-to-SQL

摘要

Text-to-SQL任务的主要模型严重依赖于专有的大型语言模型（LLM），这引发了对数据隐私的担忧。缩小小型开源模型和大型专有模型之间的性能差距对于缓解这种依赖至关重要。为此，我们引入了一种新的两阶段微调方法，将任务分解为两个更简单的任务。通过对两个大型跨域数据集和两个小型LLM的综合评估，我们发现这种方法将执行精度提高了3%至7%，有效地将开源模型的性能与其

了解本专栏 已下架不支持订阅
UnknownBody
关注
专栏目录

已下架不支持订阅

【DIN-SQL】Decomposed In-Context Learning of Text-to-SQL with Self-Correction 论文阅读
lcomecon的博客
05-12 1112
DIN-SQL to solve text-to-SQL
论文：DIN-SQL：Decomposed In-Context Learning of Text-to-SQL with Self-Correction
qq_51700285的博客
07-30 1021
在zero-shot和few-shot下的大模型已经有了足够好的结果，但这些模型在常用的基准测试（比如spider上）仍然落后于设计良好的经过微调的模型，如下图：微调相比于从头开始或微调一个模型，不需要消耗过多的资源，此外在一些基准测试数据集上，few-shot已经展现出较好性能，在训练例子有限的情况下也能有很高准确率。
AI推介-大语言模型LLMs论文速览（arXiv方向）：2024.02.01-2024.02.05
小小帅
02-20 1295
指令调整是训练大型语言模型（LLM）的重要步骤，因此如何提高指令调整的效果受到越来越多的关注。现有研究表明，在 LLM 的指令调整过程中，数据集的质量比数量更为重要。因此，近来很多研究都集中于探索从指令数据集中选择高质量子集的方法，旨在降低训练成本并增强 LLM 的指令跟随能力。本文对用于 LLM 指令调整的数据选择进行了全面研究。首先，我们介绍了常用的指令数据集。然后，我们提出了新的数据选择方法分类法，并详细介绍了最新进展，还详细阐述了数据选择方法的评估策略和结果。
万字长文详解Text-to-SQL
weixin_37045333的博客
05-18 74
在各个企业数据量暴涨的现在，Text-to-SQL越来越重要了，所以今天就来聊聊Text-to-SQL。Text-to-SQL是一种将自然语言查询转换为数据库查询的技术。它可以让用户通过自然语言来查询数据库，而不需要编写复杂的SQL语句。
港理工最新综述：基于LLM的text-to-SQL调查(方法实验数据全面梳理)1
码农的科研笔记
06-15 2010
本文提出了一个新颖的基于图神经网络的问答推荐模型QAGCF,通过多视图方法解纠缠协同信息和语义信息。论文实验的核心是验证QAGCF相比现有模型在推荐准确性上的优势,以及分析其内部机制。本论文针对Question and Answer (Q&A)平台的推荐任务,提出了一种新颖的图神经网络模型QAGCF。QAGCF采用多视图方法,从协同视图和语义视图分别构建用户-问题、用户-答案二部图以及问题-答案、问题-问题图,以解开问题-答案对的协同信息和语义信息。
【Text2SQL 论文】DIN-SQL：分解任务 + 自我纠正 + in-context 让 LLM 完成 Text2SQL
VLyb
05-31 2379
本论文设计的 prompt 以及思路让 LLM 在解决 Text2SQL 任务上有了不错的表现，产生了与最先进的微调方法相当甚至更优的结果。但是，本文的思路需要多轮与 LLM 交互，从而产生了巨大的花费和延迟，论文给出，在使用 GPT4 响应 Spider 数据集中 question 时表现出大约 60s 的延迟。
DIN-SQL论文阅读 N2sql
xs86467的博客
07-04 836
1. 通过任务分解提高基于LLM的文本到SQL模型的性能。2. 引入针对任务复杂度的自适应提示策略。3. 在提示的背景下解决模式链接挑战。4. 使用LLM进行自我纠错。
用DTS实现SQL数据库的导入
zgqtxwd的专栏
05-01 667
<!--google_ad_client = "pub-2947489232296736";/* 728x15, 创建于 08-4-23MSDN */google_ad_slot = "3624277373";google_ad_width = 728;google_ad_height = 15;//--><script type="text/javascript"
PostgreSQL日常维护
zlyyljlckx的博客
06-11 1121
对象型数据库是一种基于面向对象编程模型的数据库管理系统，它将数据和操作数据的方法（函数或过程）封装为一个完整的 “对象”，并按照面向对象的概念（如类、继承、多态等）组织和管理数据。核心思想：直接存储和管理对象（如编程语言中的对象实例），避免传统关系型数据库中 “对象 - 关系” 映射的复杂性，适用于处理复杂数据结构（如图形、多媒体、复杂业务逻辑等）。对象型数据库的优势在于处理复杂数据结构和面向对象业务逻辑，适用于需要高灵活性和快速迭代的场景（如互联网应用、实时数据处理）。实体关系型数据库。
21-Oracle 23 ai-Automatic SQL Plan Management（SPM)
远方的专栏
06-09 841
小伙伴们，有没有迁移数据库完毕后或是突然某一天在同一个实例上同样的SQL，性能不一样了、业务反馈卡顿、业务超时等各种匪夷所思的现状。于是SPM定位开始，OCM考试中SPM必考。其他的AWR、ASH、SQLHC、SQLT、SQL profile等换作下一个话题，下次填坑。Oracle SQL Plan Management（SPM）是一种通过控制执行计划稳定性来优化SQL性能的内置机制，其核心原理是通过基线（Baseline）机制管理执行计划的演进，避免因计划突变导致的性能下降。
PostgreSQL --数据库操作
2301_81259717的博客
06-11 857
具体说来，就是它必须要有你想备份的表的读 权限，因此为了备份整个数据库你几乎总是必须以一个数据库超级用户来运行它(如果你没有足够的特权 来备份整个数据库，你仍然可以使用诸如n schema 或-t table选项来备份该数据库中你能够 访问的部分)不管怎样，你将只能得到一个部分恢复的数据库。由 pg_dump 创建的备份在内部是一致的，也就是说,转储表现了 pg_dump开始运行时刻的数据库快照,且在 pg_dump 运行过程中发生的更新将不会被转储pg_dump 工作的时候并不阻塞其他的对数据库的操作。
NineData 社区版 V4.2.0 发布！新增MySQL与PostgreSQL互相迁移，SQL管理Milvus，安装更高效
最新发布
云原生智能数据管理平台
06-13 836
NineData 社区版 V4.2.0 版本的发布，本次更新通过镜像体积优化减少 1GB，部署效率提升；新增 PostgreSQL 到 MySQL 互相迁移、MySQL 到 Kafka 实时同步 3 条链路；数据库对比新增 PostgreSQL 与 MySQL 双向校验；数据库 DevOps 支持 Milvus 向量数据库、Kingbase 精细化支持等。NineData 社区版通过本地离线部署保障数据安全，解决数据库迁移、容灾、AI 数据管理等难题，助力开发者与企业高效数据治理。
SQL Server判断中文的高效方法
qq_40603125的博客
06-13 90
和 Unicode 范围来判断字段是否包含中文字符。在 SQL Server 中，可以使用。
postgreSql数据迁移到openGauss的方案
博水之野，人杰地灵
06-10 334
从postgresql 导出sql 脚本工具-备份选择格式为Plain。
HeidiSql (数据库可视化工具) v12.10 官方便携版
2501_91968881的博客
06-10 435
免费开源的轻量级数据库客户端软件，拥有图形化界面，支持访问 MySQL、MariaDB 和 SQL Server。允许浏览数据库，管理表，浏览和编辑记录，管理用户权限等等。HeidiSQL官方版是一款开源的数据库管理软件。HeidiSQL官方版为用户提供开源数据库管理服务，不需要注册就可以使用，软件支持查询数据库、系统管理表、编辑记录以及管理用户权限等功能，软件还可以从文本文件中查看并且管理数据库，可以将其导出到其它服务器中去。
leetcodeSQL解题：3564. 季节性销售分析
m0_47147246的博客
06-09 1097
leetcodeSQL解题：3564. 季节性销售分析
SQLAlchemy的子查询subquery()
tangsiqi130的博客
06-09 299
SQLAlchemy的子查询subquery()
din-sql和c3-sql的区别
01-09
### DIN-SQL 和 C3-SQL 的主要差异及各自特点 #### 主要差异 DIN-SQL 和 C3-SQL 都致力于解决 Text-to-SQL 任务并利用了大型语言模型的能力，但两者之间存在一些关键的不同之处。 - **侧重点不同** DIN-SQL 更加注重任务分解和自我纠正机制的应用。这种设计使得该方法能够逐步处理复杂问题，并通过多次迭代改进生成的结果[^1]。 相较之下，C3-SQL 则强调零样本学习能力以及提示词的设计质量对于最终效果的影响。此框架下的系统能够在无需额外训练的情况下适应新环境或领域内的查询需求[^5]。 - **实现方式** 对于 DIN-SQL 而言，其采用的是基于多轮对话的形式来进行 SQL 查询构建；而 C3-SQL 是依靠强大的预训练大模型本身所具备的知识完成从自然语言描述向结构化查询语句转换的过程[^2]。 #### 各自特点 ##### DIN-SQL 特点 - 提出了任务分解的方法论，有助于更好地理解输入文本中的逻辑关系； - 自我纠正功能允许算法在发现错误时自动调整输出结果直至满意为止； - 可能更适合那些具有明确阶段性和层次感的任务场景应用。 ##### C3-SQL 特点 - 凭借先进的预训练架构实现了真正的零样本泛化能力，在面对未知数据源时表现尤为突出； - 清晰有效的提示可以帮助引导模型生成更加精准合理的答案选项； - 使用 self-consistency 技术确保即使是在高度不确定性的条件下也能保持较高的准确性与稳定性。 ```python def generate_sql_query_din(input_text): # 基于DIN-SQL的SQL查询生成功能模拟 decomposed_tasks = task_decomposition(input_text) sql_query_drafts = [] for task in decomposed_tasks: draft = initial_sql_generation(task) corrected_draft = self_correction(draft, input_text) sql_query_drafts.append(corrected_draft) final_sql_query = combine_and_refine(sql_query_drafts) return final_sql_query def generate_sql_query_c3(input_text): # 基于C3-SQL的SQL查询生成功能模拟 multiple_inferences = multi_path_inference(input_text) valid_queries = filter_execution_errors(multiple_inferences) best_query = vote_for_best(valid_queries) return best_query ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

UnknownBody

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值