RingSQL: Hybrid‑Ansatz liefert synthetische Daten für Text‑zu‑SQL‑Modelle

Ein neues arXiv‑Veröffentlichung (2601.05451v1) stellt RingSQL vor, ein hybrides Daten‑Generierungsframework, das die Lücke zwischen zuverlässiger SQL‑Korrektheit und sprachlicher Vielfalt schließt. Die Autoren betonen, dass die Weiterentwicklung von Text‑zu‑SQL‑Systemen bislang stark von größeren Modellen und verbesserten Datensätzen abhängt, jedoch durch die Knappheit hochwertiger Trainingsdaten begrenzt bleibt.

Traditionelle Methoden zur Datengenerierung stehen im Widerspruch: Template‑basierte Ansätze garantieren korrekte SQL‑Ausgaben, erfordern aber schema‑spezifische Vorlagen, während die Nutzung großer Sprachmodelle (LLM) die Skalierbarkeit erhöht, jedoch die Qualität und Richtigkeit der erzeugten SQL‑Anfragen nicht sicherstellt. RingSQL kombiniert die Vorteile beider Ansätze, indem es schema‑unabhängige Abfrage‑Templates mit LLM‑basierten Paraphrasierungen natürlicher Fragen verknüpft.

Durch diese Kombination bleibt die SQL‑Korrektheit über verschiedene Datenbankschemata hinweg erhalten, während gleichzeitig eine breite sprachliche Variation erzeugt wird. In Experimenten mit sechs etablierten Text‑zu‑SQL‑Benchmarks erzielten Modelle, die mit RingSQL‑generierten Daten trainiert wurden, im Durchschnitt einen Genauigkeitszuwachs von +2,3 % gegenüber Modellen, die auf anderen synthetischen Datensätzen basierten.

Der komplette Code und die zugehörigen Daten sind frei verfügbar unter https://github.com/nu-c3lab/RingSQL, sodass Forscher und Entwickler die Methode leicht übernehmen und weiterentwickeln können.