MEM-SQL论文提出历史SQL记忆方案,HARE基准测试准确率升至50%

一篇2026年11月13日发布在Hugging Face Papers上的论文提出MEM-SQL,利用历史已验证的SQL记忆来增强Text-to-SQL生成,并在配套基准HARE上汇报了准确率提升与成本下降。该结果来自论文摘要,尚不能视为已上线产品能力。

一句话看懂:一篇2026年11月13日发布在Hugging Face Papers上的论文提出MEM-SQL,利用历史已验证的SQL记忆来增强Text-to-SQL生成,并在配套基准HARE上汇报了准确率提升与成本下降。该结果来自论文摘要,尚不能视为已上线产品能力。

事件核心:发生了什么

论文针对Text-to-SQL的一个现实缺口:多数基准把每个自然语言问题独立评测,忽略了同一数据库上此前的查询可以为新问题提供join或计算复用。作者构建了HARE基准,包含从823条已验证查询衍生出的1600个请求,横跨四个数据集,并标注每个请求保留和修改了哪些SQL组件,以区分整条查询改写与局部复用。方法侧,MEM-SQL存储整条查询模板、可复用SQL块以及领域概念到schema元素的映射;带阈值的记忆层只在所有需求都匹配时才启用,On-demand Schema Linking(OSL)则在无匹配层或生成器判断证据不足时才查询schema。摘要披露,在六个语言模型上,HARE平均执行准确率从无历史直接生成的37.1%升至50.0%,输入token平均减少76.6%,延迟降低68.8%。

为什么重要

Text-to-SQL正从演示走向企业数据分析入口,成本和准确率同时决定其可用性。这项工作的意义在于把“历史查询”当作可检索、可验证的记忆资产,而不是每次从schema重新推理。对行业而言,这提示了一条技术路线:用轻量记忆层加按需schema链接,可能比单纯扩大模型上下文更经济。目前公开信息显示,论文摘要未说明全文实验细节或同行评审状态,结论应限定在HARE任务与所述模型条件下。

对用户/开发者/创作者的影响

对开发Text-to-SQL应用的团队,MEM-SQL的思路值得关注:缓存整条查询模板和可复用SQL块,配合阈值化匹配,能减少重复推理和schema读取开销。但摘要同时指出,复用多条已验证查询的请求仍是瓶颈,准确率从56.7%降至29.7%,尤其是复用组件需要嵌入新查询结构或与共享join结合时。这意味着记忆机制更适合有稳定查询模式的场景,复杂改写仍需谨慎。对普通用户,短期更直接的影响是同类BI和数据分析工具可能以更低延迟响应重复类问题。

GamsGo AI

AI 工具推荐

想把多个 AI 模型放在一个入口?

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型,适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接:通过此链接购买,我可能获得佣金,不影响你的价格。

值得关注的后续

一是论文全文是否公开更多数据集与模型组合的细节,以及社区复现结果;二是OSL在其他三种记忆设计上的成本收益是否被独立验证,摘要称其降低生成成本但准确率收益取决于记忆设计;三是是否有开源实现或商业Text-to-SQL产品跟进记忆式生成方案。

来源:Hugging Face Papers

celebrityanime
celebrityanime
文章: 35284

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注