AnswersPublished20 sources
Pienempi tekoälymalli oppi SQL-tehtäviä harjoittelemalla tietokannan kanssa
HarnessSQL kouluttaa 8B kokoista SQL agenttia suoritettavassa tietokantaympäristössä. Yhden kyselyn tuottamisen sijaan agentti voi tutkia tauluja ja niiden rakenteita, ajaa SQL kyselyitä ja käyttää saamiaan tuloksia tai virheilmoituksia seuraavan yrityksen suunnitteluun.
JulkaisijaMuokattu mallilla GPT-6 LunaKuvat luotu mallilla GPT Image 2
Research answer
Key takeaways
- HarnessSQL kouluttaa 8B kokoista SQL agenttia suoritettavassa tietokantaympäristössä.
- Yhden kyselyn tuottamisen sijaan agentti voi tutkia tauluja ja niiden rakenteita, ajaa SQL kyselyitä ja käyttää saamiaan tuloksia tai virheilmoituksia seuraavan yrityksen suunnitteluun.
- Menetelmä yhdistää vuorovaikutuksen vaiheita sisältävän ohjatun hienosäädön ja suorituksesta palautetta saavan vahvistusoppimisen.
AI 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
SQL-mallin ei aina kannata yrittää arvata lopullista kyselyä yhdellä kertaa. Tietokanta-agentti voi ensin tarkastaa, mitä tauluja tietokannassa on, tutkia niiden rakennetta ja kokeilla kyselyä. Jos suoritus antaa virheilmoituksen, agentti voi hyödyntää sitä ja yrittää uudelleen.
Tätä toimintatapaa harjoittaa HarnessSQL. Sen ydinajatus on kouluttaa tekstistä SQL-kyselyitä tuottavaa mallia suoritettavassa tietokantaympäristössä sen sijaan, että malli opetettaisiin vain muuntamaan kysymys yhdeksi valmiiksi kyselyksi. Raporttien mukaan 8 miljardin parametrin mallin tulos Spider 2.0-SQLite-testissä nousi 15,5 prosentista 45,2 prosenttiin. 8
9
Miksi mallia harjoitetaan työkalujen kanssa?
Perinteinen text-to-SQL-malli saa kysymyksen ja tietokannan rakenteen ja yrittää tuottaa SQL-kyselyn suoraan. Agentti puolestaan toimii vuorovaikutuksessa tietokannan kanssa: se voi tarkastella tauluja ja niiden rakennetta, suorittaa kyselyn ja käyttää tuloksia tai virheitä päätöksenteon tukena. HarnessSQL pyrkii opettamaan juuri tätä monivaiheista toimintaa niin ohjatun hienosäädön kuin vahvistusoppimisen aikana. 17
25
HarnessSQL perustuu DeepSeek Harnessiin, avoimen lähdekoodin agenttikehykseen, jossa toimintoja voidaan laajentaa liitännäisillä. Kehystä on mukautettu tietokantatehtäviin. 9
10
13 SQL-käyttöliittymä tarjoaa esimerkiksi toimintoja taulujen listaamiseen, rakenteiden tarkasteluun ja kyselyiden suorittamiseen. Raportoidussa toteutuksessa suoritus on myös rajattu vain luku -tilaan, yhteen SQL-lauseeseen kerrallaan ja enintään 60 sekuntiin.
28
Harjoittelua eristetyissä tietokannoissa
Tutkijat kuvaavat eristettyjä, suoritettavia tietokantaympäristöjä, joissa agentti saa käyttöönsä tietokannan rakenteen, kyselyiden suorituksen ja ajonaikaisen palautteen. Projektin GitHub-toteutuksen mukaan työssä muunnetaan Spider 2.0-DBT:n tietokantoja DuckDB:stä SQLite-muotoon ja käytetään Spider 2.0-Lite- sekä DBT-pohjaista SQLite-dataa suoritettavien SQL-tehtävien muodostamiseen. 5
25
Koulutuksessa säilytetään vuorovaikutuksen koko kulku: malli oppii toimintojen ja tietokannan vastausten muodostamista sarjoista, ei vain irrallisista kysymys–kysely-pareista. Tutkimus kuvaa ensin ohjattua hienosäätöä ja sen jälkeen vahvistusoppimista, jossa palkkio perustuu kyselyn suoritukseen. 4
17
25
Tällä erolla on merkitystä, koska agentti harjoittelee samalla tavalla, jolla se myöhemmin toimii tietokannan kanssa. Sen on opittava hakemaan tarvittavaa tietoa ja reagoimaan suorituksen palautteeseen — ei ainoastaan tuottamaan uskottavan näköistä SQL-koodia.
Mitä testitulokset kertovat?
Spider 2.0-SQLite-testissä HarnessSQL-koulutetulle 8B-mallille raportoidaan 45,2 prosentin tulos, kun vertailutulokseksi ilmoitetaan 15,5 prosenttia. 8
9 Erillisessä raportissa 14B-mallin tulokseksi kerrotaan 54,8 prosenttia.
2 Samassa uutisoinnissa OmniSQL-32B:n tulokseksi mainitaan 14,8 prosenttia ja Arctic-Text2SQL-32B:n tulokseksi 16,3 prosenttia kyseisessä testissä.
2
Luvut viittaavat siihen, että agentin kouluttaminen käyttämään suoritusympäristöään voi parantaa tulosta huomattavasti tässä testissä. Ne eivät kuitenkaan osoita, että pienempi malli olisi suurempaa parempi kaikissa SQL-tehtävissä: vertailun tulokseen vaikuttavat muun muassa testi ja käytetty kokoonpano.
Mitä tiedoista ei voi vielä päätellä?
Saatavilla olevat lähdeotteet eivät tarjoa riittävästi tietoa kaikkien kokeiden yksityiskohtien riippumattomaan tarkistamiseen. Esimerkiksi tarkat työkalumäärittelyt, vuorovaikutusketjujen keskiarvot, kattavat ablaatiotulokset ja LiveSQLBench-vertailut jäävät tässä vahvistamatta.
Projektin GitHub-sivulla on koodia datan tuottamiseen ja koulutusputkeen, kun taas tutkimuspaperi kuvaa laajemmin HarnessSQL:n lähestymistapaa. 5
17
25
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "Pienempi tekoälymalli oppi SQL-tehtäviä harjoittelemalla tietokannan kanssa"?
HarnessSQL kouluttaa 8B kokoista SQL agenttia suoritettavassa tietokantaympäristössä.
What are the key points to validate first?
HarnessSQL kouluttaa 8B kokoista SQL agenttia suoritettavassa tietokantaympäristössä. Yhden kyselyn tuottamisen sijaan agentti voi tutkia tauluja ja niiden rakenteita, ajaa SQL kyselyitä ja käyttää saamiaan tuloksia tai virheilmoituksia seuraavan yrityksen suunnitteluun.
What should I do next in practice?
Menetelmä yhdistää vuorovaikutuksen vaiheita sisältävän ohjatun hienosäädön ja suorituksesta palautetta saavan vahvistusoppimisen.
Sources
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