الإجاباتمنشور20 المصادر
تدريب وكيل SQL في بيئة التنفيذ نفسها يرفع أداء نموذج 8B
يدرّب HarnessSQL وكيل SQL داخل بيئة قواعد بيانات تنفيذية مشابهة لما يستخدمه عند أداء المهمة؛ وارتفعت نتيجة نموذج 8B المعلنة على Spider 2.0 SQLite من 15.5% إلى 45.2%. بدلاً من توليد استعلام دفعة واحدة، يستطيع الوكيل استكشاف الجداول ومخططها، وتشغيل استعلامات، ثم تعديل نهجه بناءً على النتائج أو رسائل الخطأ.
نشر بواسطةتم التحرير باستخدام GPT-6 Lunaتم إنشاء الصور باستخدام GPT Image 2
إجابة البحث
الوجبات السريعة الرئيسية
- يدرّب HarnessSQL وكيل SQL داخل بيئة قواعد بيانات تنفيذية مشابهة لما يستخدمه عند أداء المهمة؛ وارتفعت نتيجة نموذج 8B المعلنة على Spider 2.0 SQLite من 15.5% إلى 45.2%.
- بدلاً من توليد استعلام دفعة واحدة، يستطيع الوكيل استكشاف الجداول ومخططها، وتشغيل استعلامات، ثم تعديل نهجه بناءً على النتائج أو رسائل الخطأ.
- يجمع النهج المعلن بين الضبط الدقيق المُراقب على مسارات التفاعل والتعلّم المعزز الذي يستفيد من نتائج التنفيذ.
موجّه الذكاء الاصطناعي
openai.comCreate a landscape editorial hero image for this Studio Global article: How does HarnessSQL, developed by HKUST and described as a collaboration with Microsoft researchers in an October 2026 arXiv paper covered b. Article summary: HarnessSQL’s central idea is to train a SQL agent inside the same execution environment it will use at deployment, rather than train it only to generate a final SQL statement from a question and schema. The available evi. Topic tags: general, academic, general web, user generated, documentation. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, w
تدريب نموذج على كتابة استعلام SQL صحيح لا يقتصر دائماً على إعطائه سؤالاً ومخطط قاعدة البيانات وانتظار إجابة واحدة. في العمل التفاعلي، قد يحتاج الوكيل إلى معرفة الجداول المتاحة، وفحص بنيتها، وتجربة استعلام، ثم تعديل ما كتبه بناءً على النتيجة أو رسالة الخطأ.
هذه هي الفكرة التي يقوم عليها HarnessSQL: تدريب وكيل تحويل النص إلى SQL داخل بيئة قواعد بيانات قابلة للتنفيذ، بدلاً من تدريبه على إنتاج استعلام نهائي فقط. ووفق تقارير عن المشروع، ارتفعت نتيجة نموذج بحجم 8B على معيار Spider 2.0-SQLite من 15.5% إلى 45.2% بعد التدريب المتوافق مع بيئة التنفيذ. 8
9
لماذا يختلف التدريب داخل بيئة التنفيذ؟
في أسلوب تحويل النص إلى SQL أحادي الخطوة، يتلقى النموذج السؤال ومخطط قاعدة البيانات، ثم يحاول كتابة الاستعلام مباشرة. أما وكيل قواعد البيانات التفاعلي فيمكنه فحص الجداول ومخططها، وتشغيل الاستعلام، واستخدام النتيجة أو الخطأ لتحديد خطوته التالية. يصمم HarnessSQL التدريب ليتبع هذا التسلسل، مع إبقاء بيئة التنفيذ جزءاً من الضبط الدقيق المُراقب والتعلّم المعزز. 17
25
يبني المشروع على DeepSeek Harness، وهو إطار مفتوح المصدر لوكلاء الذكاء الاصطناعي يعتمد على مكونات قابلة للتركيب، ويكيّفه لمهام قواعد البيانات. 9
10
13 وتتيح واجهته المخصصة لـ SQL إجراءات مثل عرض الجداول، وفحص المخططات، وتنفيذ الاستعلامات. أما إعداد التنفيذ المعلن فيتضمن قاعدة بيانات للقراءة فقط، وقيداً يسمح باستعلام واحد، ومهلة زمنية قدرها 60 ثانية.
28
من تفاعلات قواعد البيانات إلى تدريب النموذج
يصف الباحثون بيئات قواعد بيانات معزولة وقابلة للتنفيذ، توفر المخططات وتشغيل الاستعلامات وردود الفعل أثناء التنفيذ. ويذكر مستودع المشروع أنه يحوّل قواعد بيانات Spider 2.0-DBT من DuckDB إلى SQLite، ويستخدم بيانات SQLite المشتقة من Spider 2.0-Lite وDBT لبناء مهام SQL قابلة للتنفيذ. 5
25
بدلاً من الاقتصار على أزواج منفصلة من الأسئلة والاستعلامات، يحافظ النهج التدريبي على تسلسلات التفاعل: يتعلم النموذج من خطواته وردود قاعدة البيانات عليها. وتصف الورقة مرحلة ضبط دقيق مُراقب، تليها مرحلة تعلّم معزز تستخدم مكافآت مرتبطة بالتنفيذ. 4
17
25
الفارق العملي أن النموذج يتدرّب على حلقة العمل نفسها التي يواجهها عند التعامل مع قاعدة بيانات: جمع المعلومات، وتشغيل الاستعلامات، والاستفادة من الملاحظات. أي إنه لا يتعلم تقليد نص استعلام مستقل فحسب، بل يتدرب أيضاً على كيفية التفاعل مع أدوات التنفيذ.
ماذا تقول نتائج الاختبار؟
على معيار Spider 2.0-SQLite، تضع التقارير نتيجة نموذج 8B المدرّب باستخدام HarnessSQL عند 45.2%، مقارنة بخط أساس مُعلن قدره 15.5%. 8
9 ويورد تقرير منفصل نتيجة 54.8% لنموذج 14B.
2 كما يقارن التقرير نفسه هذه النتائج بأرقام تبلغ 14.8% لـOmniSQL-32B و16.3% لـArctic-Text2SQL-32B على المعيار ذاته.
2
تشير الأرقام المعلنة إلى أن تدريب النموذج على استخدام بيئة التنفيذ قد يحقق فرقاً كبيراً في هذا الاختبار. لكنها لا تثبت أن نموذجاً أصغر سيتفوق على النماذج الأكبر في جميع مهام SQL؛ فالنتائج تتوقف على المعيار وإعداد التجربة وطريقة المقارنة.
ما الذي لا توضحه المصادر المتاحة؟
لا تتضمن المقتطفات المتاحة تفاصيل كافية للتحقق المستقل من جميع الأرقام التجريبية، ومنها متوسط أطوال مسارات التفاعل، ونتائج دراسات الاستئصال التفصيلية، والمقارنات على LiveSQLBench. لذلك لا نتعامل مع هذه التفاصيل على أنها مؤكدة هنا.
يوفر مستودع المشروع شيفرة لتوليد البيانات ومسار التدريب، فيما تشرح الورقة النهج العام الذي يدمج بيئة التنفيذ في التدريب. 5
17
25
Studio Global AI
مواصلة البحث الخاص بك
تتضمن هذه الصفحة إجابة مدعومة بالمصدر يمكنك المتابعة داخل Studio Global.
يسأل الناس أيضا
ما هي الإجابة المختصرة على "تدريب وكيل SQL في بيئة التنفيذ نفسها يرفع أداء نموذج 8B"؟
يدرّب HarnessSQL وكيل SQL داخل بيئة قواعد بيانات تنفيذية مشابهة لما يستخدمه عند أداء المهمة؛ وارتفعت نتيجة نموذج 8B المعلنة على Spider 2.0 SQLite من 15.5% إلى 45.2%.
ما هي النقاط الأساسية التي يجب التحقق منها أولاً؟
يدرّب HarnessSQL وكيل SQL داخل بيئة قواعد بيانات تنفيذية مشابهة لما يستخدمه عند أداء المهمة؛ وارتفعت نتيجة نموذج 8B المعلنة على Spider 2.0 SQLite من 15.5% إلى 45.2%. بدلاً من توليد استعلام دفعة واحدة، يستطيع الوكيل استكشاف الجداول ومخططها، وتشغيل استعلامات، ثم تعديل نهجه بناءً على النتائج أو رسائل الخطأ.
ماذا يجب أن أفعل بعد ذلك في الممارسة العملية؟
يجمع النهج المعلن بين الضبط الدقيق المُراقب على مسارات التفاعل والتعلّم المعزز الذي يستفيد من نتائج التنفيذ.
المصادر
aigc.newsLive Signals - AIGC.NEWS
pandaily.comHarnessSQL Uses DeepSeek Harness to Lift an 8B Model to 45.2% on Spider 2.0-SQLite
arxiv.orgHarnessSQL: Harness-Native Training for SQL Agents in Realistic Database Environments
deepseek.comDeepSeek Harness | Explore the limits of intelligence