小模型受限环境下Text-to-SQL重试工作流研究

2026年10月14日，arXiv Artificial Intelligence 刊出 Bilel Abderrahmane Benziane 与 Xavier Schepler 的论文，研究资源受限场景下小模型完成 Text-to-SQL 的可靠性问题。该研究在受控推理预算下，评测了 1B-8B 参数开源小模型在 Spider 基准上的 Text-to-SQL 能力，发现 SQL 专用模型在小规模下比通用和对话模型更可靠，且性能随提示词表示变化明显。为此论文提出三种轻量推理工作流，在失败时自动换用其他提示词和/或模型重试，并可选加入语法纠正步骤。论文称这些工作流显著提升端到端成功率，代价是额外的推理调用。目前进展停留在论文发表阶段，尚无后续跟进报道。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。