RespostasPublicado20 fontes
Treinado para usar o banco de dados, modelo menor melhora em tarefas de SQL
O HarnessSQL treina um agente de SQL de 8B parâmetros dentro de um ambiente executável de banco de dados; relatos indicam avanço de 15,5% para 45,2% no Spider 2.0 SQLite. Em vez de gerar uma consulta em uma única etapa, o agente pode inspecionar tabelas e esquemas, executar SQL e usar os resultados ou erros para dec...
Publicado porEditado com GPT-6 LunaImagens geradas com GPT Image 2
Resposta de pesquisa
Principais conclusões
- O HarnessSQL treina um agente de SQL de 8B parâmetros dentro de um ambiente executável de banco de dados; relatos indicam avanço de 15,5% para 45,2% no Spider 2.0 SQLite.
- Em vez de gerar uma consulta em uma única etapa, o agente pode inspecionar tabelas e esquemas, executar SQL e usar os resultados ou erros para decidir o próximo passo.
- O método combina ajuste fino supervisionado com trajetórias de interação e aprendizado por reforço baseado no retorno da execução.
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
O HarnessSQL parte de uma ideia simples: para responder a perguntas sobre bancos de dados, um agente de inteligência artificial precisa aprender não só a escrever SQL, mas também a trabalhar com as ferramentas que terá à disposição. Em relatos, o treinamento elevou o resultado de um modelo de 8 bilhões de parâmetros de 15,5% para 45,2% no benchmark Spider 2.0-SQLite. 8
9
Por que treinar o agente dentro de um ambiente de execução?
Um modelo tradicional de texto para SQL recebe uma pergunta e a estrutura do banco — o chamado esquema — e tenta produzir uma consulta de uma só vez. Um agente de banco de dados pode seguir outro caminho: listar tabelas, examinar sua estrutura, testar uma consulta e usar o resultado ou uma mensagem de erro para decidir o que fazer em seguida.
O HarnessSQL foi desenvolvido para treinar esse fluxo interativo. Ele mantém o ambiente de execução envolvido tanto no ajuste fino supervisionado quanto no aprendizado por reforço. 17
25
O sistema adapta o DeepSeek Harness, uma estrutura de código aberto para agentes com componentes que podem ser combinados, a tarefas de banco de dados. 9
10
13 A interface específica para SQL oferece ações como listar tabelas, consultar esquemas e executar comandos. Segundo os relatos disponíveis, o ambiente também restringe a execução a consultas somente de leitura, permite apenas uma instrução por vez e aplica um limite de 60 segundos.
28
Do banco de dados ao treinamento do modelo
Os pesquisadores descrevem ambientes isolados e executáveis, com esquemas, execução de consultas e retorno em tempo real. O repositório do projeto informa que bancos DuckDB do Spider 2.0-DBT são convertidos para SQLite e que dados do Spider 2.0-Lite e do DBT são usados para criar tarefas SQL executáveis. 5
25
O treinamento preserva as sequências de interação: em vez de aprender apenas com pares isolados de pergunta e consulta, o modelo pratica uma série de ações e respostas do banco. O artigo descreve uma etapa de ajuste fino supervisionado, seguida por aprendizado por reforço com recompensas ligadas à execução. 4
17
25
Na prática, isso dá ao modelo a oportunidade de aprender a coletar informações e reagir ao que acontece quando uma consulta é executada — não apenas a imitar uma linha de SQL pronta.
O que os resultados do benchmark indicam
No Spider 2.0-SQLite, os relatos atribuem ao modelo de 8B treinado com HarnessSQL uma pontuação de 45,2%, ante uma linha de base reportada de 15,5%. 8
9 Outra fonte informa 54,8% para um modelo de 14B.
2 A mesma cobertura cita resultados de 14,8% para OmniSQL-32B e 16,3% para Arctic-Text2SQL-32B no Spider 2.0-SQLite.
2
Os números sugerem que ensinar um agente a usar o ambiente de execução pode fazer diferença nesse benchmark. Eles não demonstram, porém, que um modelo menor vá superar modelos maiores em qualquer tarefa de SQL: os resultados dependem do benchmark, das condições do teste e dos modelos comparados.
O que ainda não está confirmado nos relatos disponíveis
Os trechos consultados não trazem detalhes suficientes para verificar de forma independente todos os números experimentais — entre eles, as definições completas das quatro ferramentas, as médias das trajetórias, as ablações detalhadas e as comparações com o LiveSQLBench. Por isso, esses dados específicos não são tratados aqui como confirmados. O repositório apresenta código para geração de dados e treinamento, enquanto o artigo descreve a abordagem geral de treinamento integrado ao ambiente de execução. 5
17
25
Studio Global AI
Continue sua pesquisa
Esta página inclui uma resposta baseada na fonte que você pode continuar em Studio Global.
As pessoas também perguntam
Qual é a resposta curta para "Treinado para usar o banco de dados, modelo menor melhora em tarefas de SQL"?
O HarnessSQL treina um agente de SQL de 8B parâmetros dentro de um ambiente executável de banco de dados; relatos indicam avanço de 15,5% para 45,2% no Spider 2.0 SQLite.
Quais são os pontos-chave para validar primeiro?
O HarnessSQL treina um agente de SQL de 8B parâmetros dentro de um ambiente executável de banco de dados; relatos indicam avanço de 15,5% para 45,2% no Spider 2.0 SQLite. Em vez de gerar uma consulta em uma única etapa, o agente pode inspecionar tabelas e esquemas, executar SQL e usar os resultados ou erros para decidir o próximo passo.
O que devo fazer a seguir na prática?
O método combina ajuste fino supervisionado com trajetórias de interação e aprendizado por reforço baseado no retorno da execução.
Fontes
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