arXiv cs.AI· Bilel Abderrahmane Benziane, Xavier Schepler·· 3 天前AI 评分22
小 LLM 如何在资源受限场景下实现可靠的 Text-to-SQL：迭代重试工作流
Reliable Text-to-SQL in Resource-Constrained Settings with Small LLMs via Iterative Retry Workflows
AI 导读
一项基于 Spider 基准的研究评估了 1B-8B 参数开源小模型在受控推理预算下的 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，且性能随提示词不同而大幅波动。为此研究者提出三种轻量推理工作流，在失败时自动用替代提示词或模型重试，并可选加入语法纠正步骤，显著提升端到端成功率，代价是额外的推理调用。
正文 · AI 翻译
摘要：大型语言模型（LLM）近期提升了 Text-to-SQL 生成能力，但其计算成本可能阻碍在资源受限环境中的部署。本文在受控推理预算下评估了中小型开源 LLM（1B-8B 参数）的 Text-to-SQL 能力，重点关注模型专门化与提示词构造如何影响性能。我们使用 Spider 基准，比较了多种提示表示形式，并评估生成查询的准确率。结果表明，在小规模下，SQL 专用模型始终比通用型和面向对话的模型更可靠，且性能会因所用提示词的不同而出现显著差异。为了在不借助更大模型的情况下减少这种波动，我们引入了三种轻量级推理工作流，在失败时自动使用替代提示词和/或模型进行重试，其中还包括一个可选的语法纠正步骤。这些工作流显著提高了端到端成功率，代价是额外的推理调用。这些结果表明了一条实用路径：通过以适度的额外推理成本换取更高可靠性，让小模型实现更强的 Text-to-SQL 性能。
| Subjects: | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.17305 [cs.AI] |
| （或使用 arXiv:2610.17305v1 [cs.AI] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2610.17305 arXiv 颁发的 DOI，经由 DataCite（待注册） |
|
| 相关 DOI： | https://doi.org/10.1109/ICAC70325.2026.11712531
链接到相关资源的 DOI |
提交历史
来自：Bilel Abderrahmane Benziane Eng [查看电子邮件]
[v1]
2026年10月12日星期一 18:59:25 UTC（3,551 KB）
来源：arXiv cs.AI · arxiv.org