RéponsesPublié20 sources
Pour mieux écrire du SQL, entraîner l’IA à interagir avec la base de données
HarnessSQL entraîne un agent SQL de 8 milliards de paramètres dans un environnement proche de celui où il sera utilisé ; son score rapporté sur Spider 2.0 SQLite passe de 15,5 % à 45,2 %. Au lieu de générer une requête d’un seul coup, l’agent peut examiner les tables et leur structure, exécuter des requêtes et s’app...
Publié parModifié avec GPT-6 LunaImages générées avec GPT Image 2
Réponse de recherche
Points clés à retenir
- HarnessSQL entraîne un agent SQL de 8 milliards de paramètres dans un environnement proche de celui où il sera utilisé ; son score rapporté sur Spider 2.0 SQLite passe de 15,5 % à 45,2 %.
- Au lieu de générer une requête d’un seul coup, l’agent peut examiner les tables et leur structure, exécuter des requêtes et s’appuyer sur les résultats ou les erreurs pour ajuster sa démarche.
- La méthode associe un apprentissage supervisé sur des séquences d’interactions à un apprentissage par renforcement fondé sur les résultats d’exécution.
Prompt 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 plupart des modèles de conversion du langage naturel en SQL fonctionnent comme des machines à réponse unique : on leur fournit une question et le schéma de la base, et ils doivent immédiatement produire une requête. Mais un agent SQL peut aussi explorer les tables, vérifier leur structure, lancer une requête d’essai puis corriger sa démarche en fonction du résultat obtenu.
C’est cette différence que HarnessSQL cherche à prendre en compte dès l’entraînement. Selon les résultats rapportés, un modèle de 8 milliards de paramètres passe de 15,5 % à 45,2 % sur le benchmark Spider 2.0-SQLite après un entraînement adapté à cet environnement interactif. 8
9
Apprendre dans les mêmes conditions que celles d’utilisation
HarnessSQL entraîne le modèle au sein d’un environnement de base de données exécutable, plutôt que de lui apprendre uniquement à transformer une question en une requête finale. L’agent peut consulter les tables et leur schéma, lancer des requêtes et utiliser les retours — y compris les erreurs — pour décider de la suite. L’environnement reste présent lors de l’apprentissage supervisé comme lors de l’apprentissage par renforcement. 17
25
Le projet s’appuie sur DeepSeek Harness, un framework open source pour agents, conçu autour de composants et de modules enfichables. HarnessSQL l’adapte aux tâches SQL avec une interface dédiée. 9
10
13 Le dispositif décrit comprend notamment l’énumération des tables, l’inspection des schémas et l’exécution de requêtes. L’exécution est présentée comme limitée à la lecture, à une seule instruction SQL et à un délai maximal de 60 secondes.
28
Des interactions avec la base aux séquences d’entraînement
Les chercheurs décrivent des environnements de base de données isolés dans lesquels l’agent peut consulter des schémas, exécuter des requêtes et recevoir des retours à l’exécution. Le dépôt du projet indique notamment que des bases Spider 2.0-DBT sont converties de DuckDB vers SQLite, et que des données SQLite issues de Spider 2.0-Lite et de DBT servent à construire des tâches SQL exécutables. 5
25
L’entraînement conserve les séquences d’interaction : le modèle apprend à partir d’enchaînements d’actions et de réponses de la base, et non seulement de paires isolées « question-requête ». L’article décrit une première étape d’apprentissage supervisé, suivie d’un apprentissage par renforcement s’appuyant sur des récompenses liées à l’exécution. 4
17
25
L’enjeu est de faire pratiquer au modèle une boucle similaire à celle qu’il rencontrera face à une base de données : recueillir des informations, tester une requête et tenir compte du retour avant de poursuivre. Il ne s’agit donc pas seulement d’imiter une chaîne SQL produite hors contexte.
Ce que montrent les scores rapportés
Sur Spider 2.0-SQLite, le modèle de 8 milliards de paramètres entraîné avec HarnessSQL atteint, selon les résultats relayés, 45,2 %, contre 15,5 % pour la base de comparaison mentionnée. 8
9 Un autre compte rendu attribue un score de 54,8 % à un modèle de 14 milliards de paramètres.
2 Le même compte rendu cite 14,8 % pour OmniSQL-32B et 16,3 % pour Arctic-Text2SQL-32B sur ce benchmark.
2
Ces chiffres suggèrent que l’apprentissage de l’utilisation de l’environnement d’exécution peut améliorer sensiblement les résultats sur ce test. Ils ne démontrent pas qu’un modèle plus petit sera meilleur dans tous les cas : les performances dépendent du benchmark, de la configuration et des systèmes comparés.
Des limites dans les informations disponibles
Les extraits consultés ne permettent pas de vérifier indépendamment tous les détails expérimentaux, notamment l’ensemble des quatre outils, les moyennes des séquences d’interaction, les ablations détaillées ou les comparaisons sur LiveSQLBench. Ces éléments ne sont donc pas repris ici comme des faits confirmés. Le dépôt fournit du code pour la génération des données et le pipeline d’entraînement ; l’article présente l’approche générale, qui consiste à intégrer l’environnement d’exécution à l’apprentissage. 5
17
25
Studio Global AI
Continuez vos recherches
Cette page comprend une réponse basée sur la source que vous pouvez continuer dans Studio Global.
Les gens demandent aussi
Quelle est la réponse courte à « Pour mieux écrire du SQL, entraîner l’IA à interagir avec la base de données » ?
HarnessSQL entraîne un agent SQL de 8 milliards de paramètres dans un environnement proche de celui où il sera utilisé ; son score rapporté sur Spider 2.0 SQLite passe de 15,5 % à 45,2 %.
Quels sont les points clés à valider en premier ?
HarnessSQL entraîne un agent SQL de 8 milliards de paramètres dans un environnement proche de celui où il sera utilisé ; son score rapporté sur Spider 2.0 SQLite passe de 15,5 % à 45,2 %. Au lieu de générer une requête d’un seul coup, l’agent peut examiner les tables et leur structure, exécuter des requêtes et s’appuyer sur les résultats ou les erreurs pour ajuster sa démarche.
Que dois-je faire ensuite en pratique ?
La méthode associe un apprentissage supervisé sur des séquences d’interactions à un apprentissage par renforcement fondé sur les résultats d’exécution.
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