Dieser Inhalt bietet eine umfassende Bewertung von ChatGPTs Zero-Shot Text-to-SQL-Fähigkeit, d.h. seiner Fähigkeit, natürliche Sprache ohne vorherige Beispiele in SQL-Abfragen umzuwandeln. Er untersucht die Leistung und die Grenzen des Modells bei dieser komplexen Aufgabe.
DivSkill-SQL führt ein Framework zur Optimierung residualer Fähigkeiten ein, um komplementäre Text-to-SQL-Ensembles aufzubauen, wodurch die Genauigkeit durch gezielte marginale Beiträge zu Pass@K verbessert wird. Es erzielt signifikante Genauigkeitsgewinne bei Spider2-Lite für Snowflake und BigQuery gegenüber bestehenden Ensemble-Baselines.
Dieser Artikel schlägt ein wissensbasiertes Text-to-SQL-Framework vor, um natürliche Sprachfragen in ausführbare SQL-Abfragen umzuwandeln, selbst in ressourcenarmen Umgebungen. Es begegnet Herausforderungen wie knappen annotierten Daten und undurchsichtigen Schemadefinitionen durch die Integration von aufgabenspezifischem Wissen in Training und Inferenz.
Diese Forschung stellt EnterpriseMem-Bench vor, einen neuartigen Multi-Turn-Text-to-SQL-Benchmark mit 300 Sitzungen und 1.400 Runden aus Unternehmensbereichen. Sie bewertet empirisch fünf führende Modelle, darunter GPT- und Claude-Varianten, und zeigt, dass zustandslose Multi-Turn-Text-to-SQL-Modelle ab Runde 3 eine Ausführungsgenauigkeit von null erreichen.