उत्तरप्रकाशित20 स्रोत
छोटे SQL मॉडल को बेहतर बनाने के लिए HarnessSQL ने क्या तरीका अपनाया?
HarnessSQL, 8B SQL एजेंट को उसी तरह के चलने योग्य डेटाबेस वातावरण में ट्रेन करता है जैसा उसे इस्तेमाल के समय मिलेगा। Spider 2.0 SQLite पर उसका रिपोर्ट किया गया स्कोर 15.5% से बढ़कर 45.2% हुआ। [8][9] एक ही कोशिश में क्वेरी बनाने के बजाय, एजेंट टेबल और स्कीमा देख सकता है, SQL चला सकता है और मिले नतीजों या त्रुटियों के...
प्रकाशितकर्ताGPT-6 Luna से संपादितGPT Image 2 से चित्र बनाए गए
शोध उत्तर
मुख्य निष्कर्ष
- HarnessSQL, 8B SQL एजेंट को उसी तरह के चलने योग्य डेटाबेस वातावरण में ट्रेन करता है जैसा उसे इस्तेमाल के समय मिलेगा। Spider 2.0 SQLite पर उसका रिपोर्ट किया गया स्कोर 15.5% से बढ़कर 45.2% हुआ। [8][9]
- एक ही कोशिश में क्वेरी बनाने के बजाय, एजेंट टेबल और स्कीमा देख सकता है, SQL चला सकता है और मिले नतीजों या त्रुटियों के आधार पर अगला कदम चुन सकता है।
- बताए गए तरीके में इंटरैक्शन की पूरी प्रक्रिया पर supervised fine tuning और फिर निष्पादन से मिलने वाले फीडबैक पर reinforcement learning शामिल है।
AI संकेत
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
Text-to-SQL मॉडल से अक्सर उम्मीद की जाती है कि वह सवाल और डेटाबेस स्कीमा देखकर एक ही बार में सही SQL क्वेरी लिख दे। लेकिन डेटाबेस के साथ काम करना आम तौर पर इतना सीधा नहीं होता: पहले टेबल देखनी पड़ सकती हैं, फिर उनका ढाँचा समझना होता है, क्वेरी चलानी पड़ती है और नतीजे या त्रुटि देखकर उसे सुधारना पड़ सकता है।
HarnessSQL इसी फर्क पर ध्यान देता है। इसका विचार है कि मॉडल को सिर्फ अंतिम क्वेरी लिखना नहीं, बल्कि उस इंटरैक्टिव प्रक्रिया में काम करना भी सिखाया जाए जिसमें वह वास्तव में डेटाबेस इस्तेमाल करेगा। रिपोर्ट के मुताबिक, इस तरह की ट्रेनिंग के बाद एक 8B मॉडल का Spider 2.0-SQLite स्कोर 15.5% से बढ़कर 45.2% हुआ। 8
9
डेटाबेस एजेंट को उसके काम के माहौल में ट्रेन करना
एक सामान्य, एक-चरण वाला Text-to-SQL मॉडल सवाल और स्कीमा मिलने पर तुरंत क्वेरी बनाने की कोशिश करता है। इसके उलट, डेटाबेस एजेंट टेबलों की सूची देख सकता है, स्कीमा जाँच सकता है, क्वेरी चला सकता है और मिले आउटपुट या त्रुटि के आधार पर अगली कोशिश तय कर सकता है। HarnessSQL का लक्ष्य इसी संवाद-आधारित कामकाज की ट्रेनिंग देना है। इसमें supervised fine-tuning और reinforcement learning, दोनों के दौरान निष्पादन वाला वातावरण शामिल रहता है। 17
25
HarnessSQL, DeepSeek Harness नाम के ओपन-सोर्स एजेंट फ्रेमवर्क पर आधारित है। यह फ्रेमवर्क प्लगइन के ज़रिये अलग-अलग क्षमताएँ जोड़ने की सुविधा देता है; HarnessSQL इसे डेटाबेस कार्यों के लिए ढालता है। 9
10
13 इसका SQL इंटरफ़ेस टेबलों की सूची देखने, स्कीमा जाँचने और क्वेरी चलाने जैसे कामों के लिए बनाया गया है। रिपोर्ट किए गए सेटअप में डेटाबेस को केवल पढ़ने की अनुमति, एक बार में एक ही SQL स्टेटमेंट और 60 सेकंड की समय-सीमा भी शामिल है।
28
डेटा और ट्रेनिंग की प्रक्रिया
शोधकर्ता अलग-अलग, निष्पादन योग्य डेटाबेस वातावरण का वर्णन करते हैं। इनमें असली स्कीमा, क्वेरी चलाने की सुविधा और रनटाइम फीडबैक मिलता है। प्रोजेक्ट के कोड रिपॉज़िटरी के अनुसार, Spider 2.0-DBT के डेटाबेस को DuckDB से SQLite में बदला जाता है और Spider 2.0-Lite तथा DBT से निकले SQLite डेटा से ऐसे SQL कार्य तैयार किए जाते हैं जिन्हें चलाकर जाँचा जा सके। 5
25
इस तरीके में मॉडल को सिर्फ अलग-अलग सवाल और उनके जवाब नहीं दिखाए जाते। ट्रेनिंग में उसकी कार्रवाइयों और डेटाबेस से मिले जवाबों की पूरी श्रृंखला—यानी इंटरैक्शन ट्रैजेक्टरी—बनाए रखी जाती है। शोधपत्र में पहले supervised fine-tuning और उसके बाद निष्पादन-आधारित पुरस्कारों का उपयोग करने वाली reinforcement learning का ज़िक्र है। 4
17
25
इसका फायदा यह है कि मॉडल उसी तरह के टूल-आधारित चक्र का अभ्यास करता है जिसका सामना डेटाबेस से सवालों के जवाब देते समय हो सकता है। उसे जानकारी जुटाना और क्वेरी चलाने के बाद मिले संकेतों पर प्रतिक्रिया देना सीखने का मौका मिलता है—सिर्फ एक SQL स्ट्रिंग की नकल करना नहीं।
बेंचमार्क के नतीजे क्या बताते हैं?
Spider 2.0-SQLite पर HarnessSQL से ट्रेन किए गए 8B मॉडल का रिपोर्ट किया गया स्कोर 45.2% है; तुलना के लिए आधार स्कोर 15.5% बताया गया है। 8
9 एक अलग रिपोर्ट में 14B मॉडल का स्कोर 54.8% दिया गया है।
2 उसी कवरेज में Spider 2.0-SQLite पर OmniSQL-32B के लिए 14.8% और Arctic-Text2SQL-32B के लिए 16.3% स्कोर बताए गए हैं।
2
ये नतीजे संकेत देते हैं कि एजेंट को अपने निष्पादन वातावरण में काम करना सिखाने से इस बेंचमार्क पर बड़ा फर्क पड़ सकता है। लेकिन इससे यह साबित नहीं होता कि छोटा मॉडल हर तरह के SQL काम में बड़े मॉडल से बेहतर होगा। नतीजे बेंचमार्क और तुलना के सेटअप पर निर्भर करते हैं।
किन बातों की पुष्टि उपलब्ध रिपोर्टों से नहीं होती?
मौजूद स्रोतों के अंश हर प्रयोगात्मक विवरण की स्वतंत्र पुष्टि के लिए पर्याप्त जानकारी नहीं देते। इनमें सभी चार टूल की पूरी परिभाषा, ट्रैजेक्टरी के औसत आँकड़े, विस्तृत ablation नतीजे और LiveSQLBench की तुलनाएँ शामिल हैं। इसलिए यहाँ उन बारीकियों को पुष्ट तथ्य के रूप में पेश नहीं किया गया है। प्रोजेक्ट का कोड रिपॉज़िटरी डेटा बनाने और ट्रेनिंग की प्रक्रिया की जानकारी देता है, जबकि शोधपत्र इस harness-native तरीके का व्यापक विवरण देता है। 5
17
25
Studio Global AI
अपना शोध जारी रखें
इस पृष्ठ में एक स्रोत-समर्थित उत्तर शामिल है जिसे आप Studio Global के अंदर जारी रख सकते हैं।
लोग पूछते भी हैं
"छोटे SQL मॉडल को बेहतर बनाने के लिए HarnessSQL ने क्या तरीका अपनाया?" का संक्षिप्त उत्तर क्या है?
HarnessSQL, 8B SQL एजेंट को उसी तरह के चलने योग्य डेटाबेस वातावरण में ट्रेन करता है जैसा उसे इस्तेमाल के समय मिलेगा। Spider 2.0 SQLite पर उसका रिपोर्ट किया गया स्कोर 15.5% से बढ़कर 45.2% हुआ। [8][9]
सबसे पहले सत्यापित करने योग्य मुख्य बिंदु क्या हैं?
HarnessSQL, 8B SQL एजेंट को उसी तरह के चलने योग्य डेटाबेस वातावरण में ट्रेन करता है जैसा उसे इस्तेमाल के समय मिलेगा। Spider 2.0 SQLite पर उसका रिपोर्ट किया गया स्कोर 15.5% से बढ़कर 45.2% हुआ। [8][9] एक ही कोशिश में क्वेरी बनाने के बजाय, एजेंट टेबल और स्कीमा देख सकता है, SQL चला सकता है और मिले नतीजों या त्रुटियों के आधार पर अगला कदम चुन सकता है।
मुझे अभ्यास में आगे क्या करना चाहिए?
बताए गए तरीके में इंटरैक्शन की पूरी प्रक्रिया पर supervised fine tuning और फिर निष्पादन से मिलने वाले फीडबैक पर reinforcement learning शामिल है।
सूत्र
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