Neuer Durchbruch: SQL‑Trail nutzt interaktive RL für Text‑zu‑SQL
Die neuesten Fortschritte bei großen Sprachmodellen haben die Text‑zu‑SQL‑Generierung deutlich verbessert, doch ein deutlicher Leistungsunterschied zu menschlichen Experten bleibt, insbesondere bei anspruchsvollen Benchmarks wie BIRD‑SQL. Dieser Abstand entsteht vor allem durch das bisher vorherrschende Ein‑Durchgangs-Paradigma, das die iterativen Denkprozesse, die Schema‑Erkundung und die Fehlerkorrektur, die Menschen natürlicherweise einsetzen, nicht abbildet.
Um diese Lücke zu schließen, präsentiert die Forschungsgruppe SQL‑Trail – ein Multi‑Turn‑Reinforcement‑Learning‑Framework, das Text‑zu‑SQL als interaktiven Prozess gestaltet. Anstatt sofort eine komplette Abfrage zu generieren, agiert SQL‑Trail als Agent, der mit der Datenbankumgebung kommuniziert und anhand von Ausführungsfeedback seine Vorhersagen schrittweise verfeinert.
Das System stützt sich auf zwei zentrale Innovationen: Erstens ein adaptives Turn‑Budget‑Allokationsmechanismus, der die Tiefe der Interaktion an die Schwierigkeit der Frage anpasst; zweitens ein zusammengesetztes Belohnungspanel, das sowohl die SQL‑Korrektheit als auch eine effiziente Exploration belohnt. In umfangreichen Benchmarks erzielt SQL‑Trail einen neuen Stand der Technik und erreicht bis zu 18‑fach höhere Dateneffizienz im Vergleich zu bisherigen Single‑Pass‑RL‑Methoden.
Besonders bemerkenswert ist, dass die 7‑Billionen‑ und 14‑Billionen‑Parameter‑Modelle von SQL‑Trail durchschnittlich 5 % besser abschneiden als deutlich größere proprietäre Systeme. Diese Ergebnisse unterstreichen die Wirksamkeit von interaktiven, agentenbasierten Arbeitsabläufen für robuste Text‑zu‑SQL‑Generierung.