多轮文本到 SQL 的内存架构：基准和实证研究

多轮文本到 SQL 是企业分析的核心，但仍主要在单轮设置中进行评估。我们推出了 EnterpriseMem-Bench，这是一个多回合文本到 SQL 基准测试，包含 300 个会话和 1,400 个回合，以编程方式从三个企业域（BIRD Financial、SEC EDGAR、Northwind）构建，具有确定性 真值 和每回合内存关键注释。我们评估了五种前沿模型——GPT-5 mini、GPT-5.2、Claude Sonnet 4.5、Sonnet 4.6 和 Opus 4.6——跨越五种记忆条件，实现三向消融，将工作记忆窗口大小、情景检索和语义增强隔离为独立效果。所有 Claude 模型均通过扩展思维进行评估，以保持与 GPT 推理模型的同等性。我们引入内存效益分数（MBS）作为每轮诊断指标。出现了四个发现：(1) 在所有五个模型中，无状态多轮文本到 SQL 的执行精度在第 3 轮时崩溃至零，即使在推理下也是如此； (2) 内存架构复杂性不会单调提高准确性——工作内存占主导地位，附加组件会产生+14% 到-16% 的模型和数据集相关效应； (3) 在各种条件下，Claude Sonnet 4.6 在 SEC EDGAR 上的表现比 Sonnet 4.5 低 17-33 个百分点，在推理下仍存在代际回归； (4) 在推理下，克劳德误差分布变成单模态——每个不正确的转弯都是一个错误结果的误差。我们发布基准、代理和评估代码。