用内存代替训练：文本转 SQL 的列表选择

现代文本到 SQL 系统通常遵循生成-执行-选择管道，生成多个候选查询，然后选择最佳的一个。通过联合比较多个候选者的列表选择已被广泛采用，但 微调 列表选择器成本高昂。因此，我们提出了一个无 微调 的列表选择器。我们用推理时间策略替换了两个主要的 微调 目标：（1）学习选择标准作为排序；（2）减轻位置偏差。首先，我们构建可重用的结构化记忆，而不是学习选择行为作为模型参数。给定一个问题，MaP-SQL 检索从训练数据中提取的记忆，这些记忆对自然语言如何映射到模式元素、SQL 操作和预期输出进行编码。这些记忆作为以列表方式评估候选人的明确决策标准。其次，为了减轻列表选择器的排序偏差，我们汇总了多个输入排列的排名，并通过执行结果和逐点评分优化了推理成本。我们的方法提高了选择准确性，同时保持了效率以及与现有 大语言模型 的兼容性。在文本到 SQL 基准测试中，与现有方法相比，它可以在没有 微调 的情况下产生更稳定的选择，并且减少不必要的比较。在 BIRD-dev 上，使用相同的候选集，它比之前最先进的基于选择器的方法 R^3-SQL 平均执行精度高 2.02 点，标记数量减少了 2.92 倍。