AntwortenVeröffentlicht20 Quellen
Warum kleinere KI-Modelle mit dem richtigen SQL-Training aufholen können
HarnessSQL trainiert einen 8B SQL Agenten in einer ausführbaren Datenbankumgebung. Der Agent kann Tabellen und Schemata untersuchen, SQL Abfragen ausführen und Rückmeldungen nutzen, statt die Antwort in einem einzigen Schritt zu erraten.
Veröffentlicht vonBearbeitet mit GPT-6 LunaBilder erstellt mit GPT Image 2
Forschungsantwort
Wichtige Erkenntnisse
- HarnessSQL trainiert einen 8B SQL Agenten in einer ausführbaren Datenbankumgebung.
- Der Agent kann Tabellen und Schemata untersuchen, SQL Abfragen ausführen und Rückmeldungen nutzen, statt die Antwort in einem einzigen Schritt zu erraten.
- Das Verfahren verbindet überwachtes Training mit längeren Interaktionsabläufen und Reinforcement Learning, das die Ausführungsergebnisse berücksichtigt.
KI-Prompt
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
Ein SQL-Modell soll normalerweise eine Frage und ein Datenbankschema bekommen und daraus direkt die fertige Abfrage erzeugen. HarnessSQL setzt an einer anderen Stelle an: Der Agent übt, in einer ausführbaren Datenbankumgebung zu arbeiten – also Informationen nachzuschlagen, Abfragen auszuprobieren und auf Rückmeldungen zu reagieren. Berichten zufolge stieg der Wert eines 8B-Modells auf dem Benchmark Spider 2.0-SQLite damit von 15,5 auf 45,2 Prozent. 8
9
Nicht nur die Abfrage, sondern auch der Arbeitsablauf
Bei einer klassischen Text-to-SQL-Aufgabe gibt das Modell eine Abfrage meist in einem Zug aus. Ein Datenbank-Agent kann dagegen zunächst verfügbare Tabellen auflisten, ein Schema untersuchen und eine Testabfrage ausführen. Liefert die Datenbank einen Fehler oder ein unerwartetes Ergebnis, kann der Agent seinen nächsten Schritt daran ausrichten. HarnessSQL soll genau diesen interaktiven Ablauf trainieren – sowohl beim überwachten Feintuning als auch beim Reinforcement Learning. 17
25
Dazu baut HarnessSQL auf DeepSeek Harness auf, einem quelloffenen Agenten-Framework mit austauschbaren Komponenten und Plugins, und passt es für SQL-Aufgaben an. 9
10
13 Die SQL-Umgebung bietet unter anderem Werkzeuge, um Tabellen aufzulisten, Schema-Informationen einzusehen und Abfragen auszuführen. Für die berichtete Einrichtung gelten außerdem ein Nur-Lese-Modus, eine Beschränkung auf einzelne SQL-Anweisungen und ein Zeitlimit von 60 Sekunden.
28
Training mit echten Ausführungsrückmeldungen
Die Forschenden beschreiben isolierte Datenbankumgebungen, in denen Agenten mit Schemas, Abfrageausführung und Rückmeldungen zur Laufzeit arbeiten können. Laut Projekt-Repository werden Datenbanken aus Spider 2.0-DBT von DuckDB nach SQLite übertragen. Außerdem nutzt das Projekt SQLite-Daten aus Spider 2.0-Lite und DBT-abgeleiteten Daten, um ausführbare SQL-Aufgaben zu erstellen. 5
25
Das Training setzt auf zusammenhängende Interaktionsverläufe statt auf einzelne Frage-und-Abfrage-Paare. Das Modell lernt also nicht nur, eine SQL-Zeile nachzuahmen, sondern eine Abfolge von Aktionen und Reaktionen der Datenbank. Die Arbeit beschreibt zunächst überwachtes Feintuning und anschließend Reinforcement Learning, bei dem die Ausführungsergebnisse als Belohnung dienen. 4
17
25
Der Ansatz soll damit eine Lücke zwischen Training und späterem Einsatz schließen: Das Modell übt bereits während des Trainings, Informationen über Werkzeuge einzuholen und auf Datenbankantworten zu reagieren.
Was die Benchmark-Zahlen aussagen – und was nicht
Für Spider 2.0-SQLite wird ein Ergebnis von 45,2 Prozent für das mit HarnessSQL trainierte 8B-Modell genannt; der berichtete Ausgangswert liegt bei 15,5 Prozent. 8
9 Ein separater Bericht nennt für ein 14B-Modell 54,8 Prozent.
2 Derselbe Bericht führt für OmniSQL-32B 14,8 Prozent und für Arctic-Text2SQL-32B 16,3 Prozent auf dem Benchmark an.
2
Die Zahlen sprechen dafür, dass das Training im passenden Ausführungsrahmen bei dieser Aufgabe einen deutlichen Unterschied machen kann. Sie belegen jedoch nicht, dass kleinere Modelle bei jeder SQL-Aufgabe größere Modelle übertreffen: Ergebnisse hängen unter anderem vom Benchmark und vom jeweiligen Versuchsaufbau ab.
Wo die verfügbaren Angaben Lücken lassen
Die hier verfügbaren Quellenauszüge reichen nicht aus, um sämtliche Details unabhängig nachzuprüfen. Das betrifft etwa die vollständige Beschreibung aller vier Werkzeuge, durchschnittliche Länge und Zahl der Interaktionen, detaillierte Ablationsversuche sowie Vergleiche mit LiveSQLBench. Diese Angaben bleiben daher hier außen vor. Das GitHub-Repository dokumentiert Teile der Datenerzeugungs- und Trainingspipeline; die wissenschaftliche Arbeit beschreibt den übergeordneten Ansatz, Agenten direkt in ihrer späteren Arbeitsumgebung zu trainieren. 5
17
25
Studio Global AI
Setzen Sie Ihre Recherche fort
Diese Seite enthält eine quellengestützte Antwort, die Sie in Studio Global fortsetzen können.
Die Leute fragen auch
Wie lautet die kurze Antwort auf „Warum kleinere KI-Modelle mit dem richtigen SQL-Training aufholen können“?
HarnessSQL trainiert einen 8B SQL Agenten in einer ausführbaren Datenbankumgebung.
Was sind die wichtigsten Punkte, die zuerst validiert werden müssen?
HarnessSQL trainiert einen 8B SQL Agenten in einer ausführbaren Datenbankumgebung. Der Agent kann Tabellen und Schemata untersuchen, SQL Abfragen ausführen und Rückmeldungen nutzen, statt die Antwort in einem einzigen Schritt zu erraten.
Was soll ich als nächstes in der Praxis tun?
Das Verfahren verbindet überwachtes Training mit längeren Interaktionsabläufen und Reinforcement Learning, das die Ausführungsergebnisse berücksichtigt.
Quellen
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