RespuestasPublicado20 fuentes
Entrenar a un agente de SQL en su entorno de ejecución mejora sus resultados
HarnessSQL entrena a un agente de SQL en un entorno de bases de datos ejecutable, similar al que usaría al responder consultas: el resultado informado para un modelo de 8B subió del 15,5 % al 45,2 % en Spider 2.0 SQLite. En vez de generar una consulta de una sola vez, el agente puede revisar tablas y esquemas, ejecu...
Publicado porEditado con GPT-6 LunaImágenes generadas con GPT Image 2
Respuesta de investigación
Conclusiones clave
- HarnessSQL entrena a un agente de SQL en un entorno de bases de datos ejecutable, similar al que usaría al responder consultas: el resultado informado para un modelo de 8B subió del 15,5 % al 45,2 % en Spider 2.0 SQLite.
- En vez de generar una consulta de una sola vez, el agente puede revisar tablas y esquemas, ejecutar SQL y utilizar los resultados o errores para ajustar su estrategia.
- El método combina ajuste fino supervisado con trayectorias de interacción y aprendizaje por refuerzo basado en la ejecución.
Prompt de IA
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
La idea central de HarnessSQL es entrenar a un modelo de texto a SQL dentro de un entorno de bases de datos ejecutable, en lugar de pedirle que aprenda únicamente a convertir una pregunta en una consulta final. Según los resultados publicados, el desempeño de un modelo de 8B en Spider 2.0-SQLite pasó del 15,5 % al 45,2 % tras este entrenamiento adaptado al entorno de uso. 8
9
¿Por qué entrenar a un agente dentro de un entorno de ejecución?
Un modelo tradicional de texto a SQL recibe una pregunta y el esquema de la base de datos, y trata de producir una consulta de inmediato. Un agente de bases de datos puede trabajar de forma más iterativa: revisar las tablas disponibles, consultar su estructura, ejecutar una consulta y aprovechar el resultado o un mensaje de error para decidir qué probar después. HarnessSQL busca entrenar ese flujo interactivo y mantener presente el entorno de ejecución tanto durante el ajuste fino supervisado como durante el aprendizaje por refuerzo. 17
25
El sistema se basa en DeepSeek Harness, un marco de código abierto para agentes que permite combinar complementos, y lo adapta a tareas con bases de datos. 9
10
13 Su interfaz específica para SQL permite, entre otras acciones, enumerar tablas, inspeccionar esquemas y ejecutar consultas. El entorno descrito también aplica ejecución de solo lectura, limita cada operación a una sola instrucción y establece un tiempo máximo de 60 segundos.
28
De las interacciones con la base de datos al entrenamiento
Los investigadores describen entornos aislados y ejecutables que ofrecen esquemas, ejecución de consultas y respuestas durante el proceso. El repositorio del proyecto explica que convierte bases de datos Spider 2.0-DBT de DuckDB a SQLite y utiliza datos de Spider 2.0-Lite y bases derivadas de DBT para crear tareas SQL ejecutables. 5
25
El entrenamiento conserva las secuencias de interacción: el modelo aprende mediante cadenas de acciones y respuestas de la base de datos, no solo a partir de pares independientes de pregunta y consulta. El trabajo describe una primera etapa de ajuste fino supervisado, seguida de aprendizaje por refuerzo con recompensas basadas en la ejecución. 4
17
25
La diferencia es que el modelo practica el mismo tipo de ciclo de trabajo que necesita al responder preguntas sobre una base de datos. Puede aprender a recopilar información y reaccionar a los resultados de ejecución, en vez de limitarse a imitar una consulta SQL aislada.
Qué muestran los resultados del benchmark
En Spider 2.0-SQLite, los resultados publicados sitúan al modelo de 8B entrenado con HarnessSQL en el 45,2 %, frente a una referencia informada del 15,5 %. 8
9 Otra publicación informa de un 54,8 % para un modelo de 14B.
2 Esa misma cobertura cita resultados de 14,8 % para OmniSQL-32B y de 16,3 % para Arctic-Text2SQL-32B en Spider 2.0-SQLite.
2
Las cifras apuntan a que enseñar a un agente a usar el entorno de ejecución puede marcar una diferencia importante en este benchmark. No demuestran, sin embargo, que un modelo más pequeño vaya a superar a otros de mayor tamaño en cualquier tipo de tarea SQL: los resultados dependen de la prueba, la configuración y los modelos comparados.
Qué no se puede confirmar con la información disponible
Los extractos consultados no aportan suficiente detalle para verificar de forma independiente todas las cifras experimentales, como las definiciones completas de las cuatro herramientas, los promedios de las trayectorias, los análisis de ablación o las comparaciones con LiveSQLBench. Por eso, esos datos específicos no se presentan aquí como confirmados. El repositorio ofrece código para generar datos y entrenar los modelos, mientras que el artículo describe el enfoque general de entrenamiento integrado con el entorno de ejecución. 5
17
25
Studio Global AI
Continúe su investigación
Esta página incluye una respuesta respaldada por fuentes que puede continuar dentro de Studio Global.
La gente también pregunta
¿Cuál es la respuesta corta a "Entrenar a un agente de SQL en su entorno de ejecución mejora sus resultados"?
HarnessSQL entrena a un agente de SQL en un entorno de bases de datos ejecutable, similar al que usaría al responder consultas: el resultado informado para un modelo de 8B subió del 15,5 % al 45,2 % en Spider 2.0 SQLite.
¿Cuáles son los puntos clave a validar primero?
HarnessSQL entrena a un agente de SQL en un entorno de bases de datos ejecutable, similar al que usaría al responder consultas: el resultado informado para un modelo de 8B subió del 15,5 % al 45,2 % en Spider 2.0 SQLite. En vez de generar una consulta de una sola vez, el agente puede revisar tablas y esquemas, ejecutar SQL y utilizar los resultados o errores para ajustar su estrategia.
¿Qué debo hacer a continuación en la práctica?
El método combina ajuste fino supervisado con trayectorias de interacción y aprendizaje por refuerzo basado en la ejecución.
Fuentes
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