تتعامل معظم أنظمة تحويل النص إلى SQL مع المهمة على أنها ترجمة. تقوم Feyn AI (شركة ناشئة مدعومة من YC) بإعادة صياغة الأمر حول التفتيش. أصدر فريق Feyn SQRL، وهي مجموعة من النماذج التي تحول أسئلة اللغة الطبيعية إلى SQL. بدلاً من إنشاء استعلام على الفور، يمكن لـ SQLRL فحص قاعدة البيانات أولاً. يتيح ذلك حل الغموض وكتابة الاستعلامات التي تدعمها البيانات بالفعل فقط.
أبلغ فريق Feyn عن وصول SQRL-35B-A3B الرائد دقة التنفيذ 70.6% على BIRD Dev. هذا الرقم يتفوق على Claude Opus 4.6 بنسبة 68.77% تحت نفس التقييم. يتم شحن ثلاث نقاط تفتيش بشكل مفتوح على Hugging Face: SQRL-4B، وSQRL-9B، وSQRL-35B-A3B.
يمكن أن يكون الاستعلام SQL صالحًا ولكنه يظل خاطئًا
غالبًا ما يتم وصف تحويل النص إلى SQL على أنه مشكلة ترجمة، لكن هذا التأطير يفتقد الجزء الأصعب. يمكن أن يكون الاستعلام SQL صالحًا تمامًا ولا يزال يُرجع إجابة خاطئة. يمكنه الانضمام إلى جداول خاطئة، أو قراءة عمود غامض بشكل غير صحيح، أو تصفية القيم غير الموجودة. لا يؤدي أي من هذه الأخطاء إلى حدوث خطأ، لذلك لا يمكن اكتشاف أي منها عن طريق التنفيذ وحده.
معلومات المخطط لا تمنعهم. يسرد المخطط الجداول والأعمدة والأنواع وأحيانًا العلاقات. ولا يكشف ما إذا كانت المقاطعة مخزنة باسم Alameda, Alameda County، أو ALAMEDA. لا يمكن أن يخبرك بالصلة التي تنتج صفوفًا مكررة.
إن معيار BIRD يجعل هذه الإخفاقات قابلة للقياس. تمتد قواعد بياناتها إلى مجالات حقيقية وتحتوي على قيم غير كاملة وأعمدة غامضة وعلاقات غير بديهية. يتم تسجيل النظام من خلال تنفيذ SQL الخاص به ومقارنة الصفوف التي تم إرجاعها بالنتيجة المرجعية. بالنسبة للغات الاستعلام، فإن الصحة النحوية ليست كافية. تتمثل رؤية Feyn الأساسية في أن المعلومات المفقودة موجودة بالفعل داخل قاعدة البيانات. يحتاج النموذج ببساطة إلى إذن لطلبه.
يقوم SQLRL بالفحص قبل أن يجيب
يتلقى SQLRL سؤالاً ومخططه وأدلة اختيارية حول قاعدة البيانات. إذا كان هذا السياق كافيًا، فإنه يُرجع استعلامًا مرة واحدة. إذا ظل هناك شيء غامض، فإنه يقوم بتشغيل استعلامات للقراءة فقط ويستخدم الصفوف التي تم إرجاعها لصياغة إجابته النهائية. قرار التفتيش ظرفي. لا يحتاج حساب الصفوف في جدول واحد إلى البحث، لذا فإن SQRL يجيب مباشرة.
يستخدم التفاعل إجراءين متميزين. ان <sql> كتلة تطلب ملاحظة من قاعدة البيانات. ان <answer> كتلة تلتزم بالاستعلام النهائي. ينفذ الحزام استعلامات الاستكشاف في وضع القراءة فقط ويعيد صفوفها إلى الداخل <observation> العلامات. يمكن لـ SQRL إجراء فحص لما يصل إلى خمس مرات، على الرغم من أن معظم الأسئلة تنتهي في خطوات أقل.
يستعرض الشرح أدناه كلا السلوكين باستخدام أمثلة حقيقية، ثم يقارن العائلة بالنماذج الرائدة في BIRD Dev.
نموذج واحد يطوي كلا الاستراتيجيتين التقليديتين
لقد اتبعت خدمة Text to-SQL تاريخيًا طريقتين، وكل منهما يتاجر بشيء مهم.
تقوم نماذج اللقطة الواحدة بإنشاء الاستعلام بأكمله في دورة واحدة. إن خدمتها غير مكلفة، لكن يجب عليها استنتاج كل شيء من المخطط، مما قد يؤدي إلى استعلامات غير صحيحة منطقيًا. بدلاً من ذلك، تقوم خطوط الأنابيب الحدودية باسترداد السياق، وإنشاء المرشحين، وانتقادهم، ثم تحديد إجابة. يمكن أن يؤدي ذلك إلى زيادة الدقة إلى الحد الأقصى، ولكن كل سؤال يتطلب عدة مكالمات حدودية باهظة الثمن ورحلات متعددة ذهابًا وإيابًا لقاعدة البيانات. وهذه التكلفة تجعل من الصعب وضع خطوط الأنابيب هذه على المسار الساخن.
يجمع SQRL بين الاثنين في نموذج واحد. تظل الأسئلة السهلة قصيرة، بينما الأسئلة الغامضة تستحق الفحص. يدفع النموذج تكلفة البحث فقط عندما يحتاج السؤال إليها.
التدريب على قرار التفتيش
إن منح الوصول إلى قاعدة بيانات نموذجية لا يعلمها متى أو كيف تبحث. يجب تدريب هذا السلوك، والتدريب القائم على التنفيذ لا يرحم. إذا كان الاستعلام المرجعي في حد ذاته خاطئًا، فإن الإجابة النموذجية الصحيحة تحصل على المكافأة الخاطئة. لذلك قام Feyn بتنظيف حوض التدريب أولاً. بدءًا من BIRD وSpider، تمت إزالة الأمثلة التي لم ينتج عن مرجع SQL الخاص بها أي نتيجة قابلة للاستخدام. ثم قام ثلاثة حكام نموذجيين بمراجعة الأزواج المتبقية وإسقاط أي استفسار لم يجيب على سؤاله كما هو مكتوب. يجمع قسم الاختبار بين قسم Spider الموقوف مع BIRD dev، ويتم تدريب بقية البيانات.
تم تدريب معلم 35B-A3B مباشرة مع سيسبو، طريقة التعلم المعزز من عمل MiniMax M1. تقوم CISPO بقص أوزان أخذ العينات المهمة بدلاً من نسبة السياسة، مما يحافظ على إشارة التدرج من الرموز المميزة النادرة ولكن الحاسمة. لكل سؤال، أنتج النموذج ثمانية مسارات كاملة. نفّذ Feyn كل استعلام نهائي وحصل على نتيجة تطابق المرجع، وهي إشارة ثنائية تتجاهل الصياغة وتتحقق فقط من الصفوف التي تم إرجاعها.
يحتاج التدريب النسبي للمجموعة إلى التنوع داخل كل مجموعة. ثماني محاولات صحيحة أو ثماني محاولات فاشلة لا تحمل أي إشارة حول القرارات التي ساعدت. لذلك، تدرب فاين على “المنطقة المختلطة”، حيث لم تنجح سوى بعض المحاولات الثماني، بحيث تتمكن كل مجموعة من تعزيز الاختيارات التي تفصل المسار الصحيح عن المسار غير الصحيح. هكذا تعلم المعلم متى يقوم بالفحص.
ولجعل السلوك قابلاً للنشر، قام فريق Feyn بأخذ عينات من مسارات المعلم الكاملة واحتفظ فقط بعمليات التشغيل التي أعادت SQL النهائية لها النتيجة الصحيحة. وقد أنتج هذا حوالي 10200 مثال، يحافظ كل منها على الاستدلال واستعلامات الاستكشاف والملاحظات والإجابة النهائية. تم ضبط طلاب 4B و9B على هذه المسارات، ثم تم تحسينهم بنفس مكافأة تنفيذ CISPO. يعتمد SQRL على عائلات نماذج Qwen3.5 وQwen3.6.
الأداء عبر الأسرة
قام Feyn بتقييم SQRL على BIRD Dev، وسجل الاستعلام بشكل صحيح عندما يُرجع نفس النتيجة كمرجع. حصل SQRL-35B-A3B على 70.60% وقام بتنشيط حوالي 3B من المعلمات لكل رمز مميز. ويحصل الطالب 9B على كل ذلك تقريبًا بنسبة 69.80%. يصل SQRL-4B إلى 68.80%، مطابقًا لـ Claude Opus 4.6 في هذا التقييم في نموذج صغير بما يكفي لاستضافته في أي مكان، بحيث يظل مخططك واستعلاماتك وملاحظاتك على البنية التحتية التي تتحكم فيها.
في المقارنة التي أجراها Feyn، فإن المسارات الميدانية الحدودية: Claude 4.5 Sonnet بنسبة 67.34%، وQwen3-Coder-480B-A35B بنسبة 66.17%، وGLM-4.7 بنسبة 63.82%، وDeepSeek-R1 بنسبة 61.67%، وKimi-K2-Thinking بنسبة 60.63%.
ملاحظات النشر
يوصي Feyn بـ SQRL-9B كنقطة التحقق الافتراضية، مع SQRL-4B لأضيق الميزانيات وSQRL-35B-A3B لأعلى دقة. يعمل نموذج 9B مع vLLM:
vllm serve feyninc/sqrl-9b \
--served-model-name sqrl-9b \
--gpu-memory-utilization 0.90 \
--max-model-len 32768حلقة التطبيق صغيرة. احتفظ بتنفيذ قاعدة البيانات للقراءة فقط، وقم بإرجاع كل ملاحظة إلى النموذج حتى يصدر إجابة. تحذير واحد مهم. لا تقم بتمكين المحلل المنطقي لطبقة العرض. يظهر بروتوكول الإجراء في المحتوى بعد الإغلاق </think> العلامة، لذا فإن تجريد هذا المحتوى يؤدي إلى إزالة محتوى النموذج <sql> أو <answer> فعل. قم بتحليل محتوى الرسالة الأولية واحتفظ بكل شيء بعد علامة التفكير النهائية. تحتوي بطاقات النماذج على موجه النظام الكامل وأداة مرجعية.
الوجبات السريعة الرئيسية
- SQRL هي عائلة نماذج تحويل النص إلى SQL تقوم بتشغيل تحقيقات للقراءة فقط لفحص قاعدة البيانات قبل الالتزام بالاستعلام النهائي.
- أبلغ Feyn عن دقة تنفيذ SQRL-35B-A3B بنسبة 70.6% على BIRD Dev، أعلى من Claude Opus 4.6 بنسبة 68.77% في نفس التقييم.
- ينقسم الرائد إلى طلاب 4B و 9B؛ يتطابق SQRL-4B مع Opus في هذا الاختبار مع الحفاظ على استضافته الذاتية.
- قام التدريب بتنظيف BIRD وSpider، ومكافأة مباريات التنفيذ، واستخدام CISPO بالإضافة إلى التقطير لتعليم النموذج متى يجب فحصه.
- جميع نقاط التفتيش الثلاثة مفتوحة على Hugging Face وتعمل مع vLLM من خلال أداة للقراءة فقط تغذي الملاحظات إلى النموذج.
- تم بناء SQLRL بواسطة Feyn. يمكنك العثور على الفريق على GitHub وHugging Face وX.
آصف رزاق هو الرئيس التنفيذي لشركة Marktechpost Media Inc.. بصفته رجل أعمال ومهندسًا صاحب رؤية، يلتزم آصف بتسخير إمكانات الذكاء الاصطناعي لتحقيق الصالح الاجتماعي. وكان أحدث مساعيه هو إطلاق منصة وسائط الذكاء الاصطناعي، Marktechpost، والتي تتميز بتغطيتها المتعمقة لأخبار التعلم الآلي والتعلم العميق التي تتميز بأنها سليمة من الناحية التقنية وسهلة الفهم من قبل جمهور واسع. تتمتع المنصة بأكثر من 2 مليون مشاهدة شهريًا، مما يوضح شعبيتها بين الجماهير.
اكتشاف المزيد من كحيل | أخبار التقنية
اشترك للحصول على أحدث التدوينات المرسلة إلى بريدك الإلكتروني.
