SteinerSQL: Graphbasierte Mathematik für Text‑zu‑SQL – neuer Maßstab

Die neuesten Fortschritte in der KI zeigen, dass große Sprachmodelle (LLMs) bei komplexen Text‑zu‑SQL‑Aufgaben, die sowohl tiefgreifende mathematische Logik als auch präzises Schema‑Navigieren erfordern, noch immer an ihre Grenzen stoßen. Traditionelle Ansätze behandeln diese beiden Herausforderungen getrennt, was zu einem fragmentierten Denkprozess führt und die logische sowie strukturelle Richtigkeit der generierten SQL‑Abfragen gefährdet.

Um dieses Problem zu lösen, präsentiert das Forschungsteam SteinerSQL – ein einheitliches Framework, das die beiden Aufgaben in ein einziges, graphbasiertes Optimierungsproblem integriert. SteinerSQL arbeitet in drei klar definierten Phasen: Zunächst wird die mathematische Zerlegung durchgeführt, um die benötigten Tabellen (Terminals) zu identifizieren. Anschließend wird mithilfe des Steiner‑Tree‑Problems ein optimaler Beweisskelett aufgebaut, der die notwendigen Verbindungen zwischen den Tabellen herstellt. Abschließend erfolgt eine mehrstufige Validierung, die die korrekte Ausführung der generierten SQL‑Abfragen sicherstellt.

Die Ergebnisse sind beeindruckend: Auf den anspruchsvollen Benchmarks LogicCat und Spider2.0‑Lite erzielt SteinerSQL mit dem Modell Gemini‑2.5‑Pro eine neue Bestleistung von 36,10 % bzw. 40,04 % Ausführungsgenauigkeit. Diese Zahlen übertreffen die bisherigen Spitzenwerte deutlich und demonstrieren die Wirksamkeit des graphzentrierten Ansatzes.

SteinerSQL markiert damit einen bedeutenden Schritt in der Text‑zu‑SQL‑Forschung. Durch die Kombination von mathematischer Decomposition, graphbasierter Optimierung und rigoroser Validierung eröffnet das Framework einen neuen, einheitlichen Ansatz, der die Entwicklung robuster und prinzipiell fundierter Lösungen für komplexe Reasoning‑Aufgaben vorantreibt.