AnswersPublished20 sources
Un modello SQL più piccolo, se impara a usare gli strumenti giusti
HarnessSQL addestra un modello SQL da 8 miliardi di parametri nell’ambiente eseguibile che userà per lavorare: il risultato riportato su Spider 2.0 SQLite sale dal 15,5% al 45,2%. Invece di generare una query in un solo passaggio, l’agente può consultare tabelle e schemi, eseguire SQL e usare risultati o errori per...
Pubblicato daModificato con GPT-6 LunaImmagini generate con GPT Image 2
Research answer
Key takeaways
- HarnessSQL addestra un modello SQL da 8 miliardi di parametri nell’ambiente eseguibile che userà per lavorare: il risultato riportato su Spider 2.0 SQLite sale dal 15,5% al 45,2%.
- Invece di generare una query in un solo passaggio, l’agente può consultare tabelle e schemi, eseguire SQL e usare risultati o errori per decidere cosa fare dopo.
- Il metodo combina addestramento supervisionato su sequenze di interazione e apprendimento per rinforzo basato sull’esito dell’esecuzione.
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
Un agente SQL non deve soltanto conoscere la sintassi: per rispondere a una domanda su un database può dover prima capire quali tabelle esistono, esaminarne la struttura, provare una query e correggerla dopo aver visto il risultato. HarnessSQL punta proprio su questo passaggio: addestra il modello a interagire con il database, anziché limitarsi a produrre una query finale.
Secondo i risultati riportati, su Spider 2.0-SQLite un modello da 8 miliardi di parametri passa dal 15,5% al 45,2%. 8
9 È un miglioramento notevole sul benchmark, ma non dimostra da solo che un modello più piccolo sia migliore in ogni tipo di lavoro SQL.
Dalla query singola all’interazione
Nel Text-to-SQL tradizionale, il modello riceve una domanda e lo schema del database, poi prova a scrivere subito la query. Un agente operativo può invece procedere per gradi: esplorare le tabelle, controllare le colonne, lanciare una query e usare l’output o un errore per orientare il tentativo successivo. 17
25
HarnessSQL mantiene questo ciclo anche durante l’addestramento. Il progetto adatta DeepSeek Harness, un framework open source per agenti basato su componenti e plugin componibili, a compiti che richiedono di interrogare database. 9
10
13 La versione dedicata a SQL mette a disposizione azioni come elencare le tabelle, ispezionarne lo schema ed eseguire query.
28
L’ambiente descritto prevede inoltre esecuzione in sola lettura, un vincolo di una sola istruzione e un limite di 60 secondi. 28 Sono misure che delimitano le operazioni dell’agente mentre esplora e verifica le proprie risposte.
Come viene addestrato l’agente
HarnessSQL utilizza ambienti di database isolati ed eseguibili, così che il modello possa confrontarsi con schemi, risultati e feedback prodotti durante l’esecuzione. Il repository del progetto descrive la conversione in SQLite di database Spider 2.0-DBT originariamente in DuckDB e la creazione di compiti SQL eseguibili a partire da dati Spider 2.0-Lite e DBT. 5
25
Il modello non impara soltanto da coppie isolate di domanda e query: l’addestramento supervisionato conserva sequenze di azioni e risposte del database. A questa fase segue un apprendimento per rinforzo che usa ricompense legate all’esecuzione. 4
17
25
In pratica, il modello si esercita a raccogliere informazioni e a reagire a ciò che succede quando prova una query. È un’impostazione diversa dall’imparare a imitare una singola stringa SQL e incontrare gli strumenti soltanto quando viene messo al lavoro.
I risultati, e cosa ci dicono davvero
Su Spider 2.0-SQLite, i risultati riportati indicano il 45,2% per il modello da 8B, contro un valore di partenza del 15,5%. 8
9 Un resoconto separato attribuisce a un modello da 14B il 54,8%; nello stesso confronto, OmniSQL-32B è al 14,8% e Arctic-Text2SQL-32B al 16,3%.
2
Questi numeri suggeriscono che, per questo benchmark, insegnare al modello a operare nel proprio ambiente di esecuzione può fare una differenza sostanziale. Non sono però una prova che la dimensione del modello conti meno in assoluto: i risultati dipendono dal benchmark e dalle condizioni del confronto.
Il punto centrale: allenarsi nel contesto d’uso
L’idea di HarnessSQL è ridurre la distanza tra ciò che il modello impara durante l’addestramento e ciò che dovrà fare quando interroga un database. Invece di allenarsi a indovinare una risposta in un solo passaggio, l’agente prova un flusso di lavoro fatto di esplorazione, esecuzione e verifica. 17
25
Il codice del progetto è disponibile su GitHub e comprende componenti per la generazione dei dati e l’addestramento. 5 I risultati pubblicati sono promettenti, ma vanno letti per quello che sono: prestazioni riportate su benchmark specifici, non una garanzia di superiorità su ogni database o caso d’uso.
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 "Un modello SQL più piccolo, se impara a usare gli strumenti giusti"?
HarnessSQL addestra un modello SQL da 8 miliardi di parametri nell’ambiente eseguibile che userà per lavorare: il risultato riportato su Spider 2.0 SQLite sale dal 15,5% al 45,2%.
What are the key points to validate first?
HarnessSQL addestra un modello SQL da 8 miliardi di parametri nell’ambiente eseguibile che userà per lavorare: il risultato riportato su Spider 2.0 SQLite sale dal 15,5% al 45,2%. Invece di generare una query in un solo passaggio, l’agente può consultare tabelle e schemi, eseguire SQL e usare risultati o errori per decidere cosa fare dopo.
What should I do next in practice?
Il metodo combina addestramento supervisionato su sequenze di interazione e apprendimento per rinforzo basato sull’esito dell’esecuzione.
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