LEAF-SQL：使用自适应细粒度进行逐级探索，用于文本到 SQL 骨架预测

文本到 SQL 将自然语言问题转换为可执行的 SQL 查询，使非专家能够直观地访问数据库。虽然 大语言模型 通过提示在文本到 SQL 方面实现了强大的性能，但它们仍然难以处理涉及深度嵌套逻辑或多个子句的复杂查询。一种广泛使用的方法采用 SQL 骨架（查询逻辑的中间表示）来简化生成，但现有方法由于依赖单一结构假设且缺乏渐进式推理而受到限制。为了克服这些限制，我们提出了 LEAF-SQL，这是一种新颖的框架，它将骨架预测重新构建为从粗到细的树搜索过程。 LEAF-SQL 能够通过自适应细化系统地探索不同的结构假设。 LEAF-SQL 采用了多项关键技术：(1) 一个三级骨架层次结构来指导搜索，(2) 一个骨架制定代理来生成不同的候选者，(3) 一个骨架评估代理来有效地修剪搜索空间。这种集成设计产生了结构多样且粒度自适应的候选骨架，为 SQL 生成提供了更坚实的基础。大量实验表明，LEAF-SQL 持续提高了各种 LLM 主干的性能。在具有挑战性的 BIRD 基准的官方隐藏测试集上，我们的方法实现了 71.6 的执行精度，优于领先的基于搜索和基于骨架的方法，证实了其对于复杂查询的有效性。