AnswersPublished20 sources
Мала модель, яка вчиться працювати з базою, а не просто писати запити
HarnessSQL навчає 8B модель працювати в інтерактивному середовищі баз даних; її результат у Spider 2.0 SQLite, за повідомленнями, зріс із 15,5% до 45,2%. Замість того щоб одразу вгадувати готовий SQL запит, агент може переглядати таблиці й схеми, виконувати запити та враховувати відповіді системи.
ОпублікувавВідредаговано за допомогою GPT-6 LunaЗображення створено за допомогою GPT Image 2
Research answer
Key takeaways
- HarnessSQL навчає 8B модель працювати в інтерактивному середовищі баз даних; її результат у Spider 2.0 SQLite, за повідомленнями, зріс із 15,5% до 45,2%.
- Замість того щоб одразу вгадувати готовий SQL запит, агент може переглядати таблиці й схеми, виконувати запити та враховувати відповіді системи.
- Підхід поєднує донавчання на послідовностях взаємодій із базою та підкріплення на основі результатів виконання.
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
HarnessSQL пропонує навчати модель не лише формулювати SQL-запит, а й працювати з базою даних у тому самому інтерактивному середовищі, яке вона використовуватиме під час виконання завдань. За повідомленнями, після такого навчання результат 8B-моделі на Spider 2.0-SQLite зріс із 15,5% до 45,2%. 8
9
Чому недостатньо одразу згенерувати запит
У звичайному сценарії Text-to-SQL моделі отримують запитання та схему бази й мають за один крок видати готовий SQL. Але агент, який працює з базою, може спершу з’ясувати, які таблиці доступні, переглянути їхню структуру, виконати запит і скоригувати наступну спробу з огляду на результат або помилку. Саме таку багатоетапну роботу HarnessSQL намагається відтворити під час навчання. 17
25
Проєкт побудовано на DeepSeek Harness — відкритому фреймворку для агентів із модульними плагінами, який HarnessSQL адаптує для SQL-завдань. 9
10
13 Спеціалізований інтерфейс дає змогу переглядати список таблиць і схеми, а також виконувати запити. У згаданому налаштуванні виконання обмежене режимом лише для читання, одним SQL-оператором за раз і тайм-аутом у 60 секунд.
28
Навчання в середовищі виконання
Дослідники описують ізольовані середовища баз даних, де агент отримує доступ до схем, може запускати запити й отримує відповідь під час виконання. Репозиторій проєкту зазначає, що бази Spider 2.0-DBT перетворюють із DuckDB на SQLite, а дані Spider 2.0-Lite та DBT використовують для створення виконуваних SQL-завдань. 5
25
Замість навчання лише на окремих парах «запитання — готовий запит» метод зберігає повні послідовності взаємодій: дії агента та відповіді бази. У роботі описано донавчання з учителем, а потім навчання з підкріпленням, де винагорода залежить від результату виконання. 4
17
25
Це дає змогу моделі практикувати саме той цикл, який потрібен агенту під час роботи з базою: зібрати потрібну інформацію, виконати запит і використати отриманий зворотний зв’язок. Тобто йдеться не лише про наслідування правильно написаного SQL-рядка.
Що показують результати бенчмарку
На Spider 2.0-SQLite 8B-модель, навчена за допомогою HarnessSQL, набрала 45,2% проти заявлених 15,5% базового результату. 8
9 Окреме повідомлення наводить результат 54,8% для моделі з 14B параметрами.
2 У тому ж матеріалі згадані 14,8% для OmniSQL-32B і 16,3% для Arctic-Text2SQL-32B на Spider 2.0-SQLite.
2
Ці показники свідчать, що навчання взаємодіяти із середовищем виконання може суттєво вплинути на результат у цьому тесті. Водночас вони не доводять, що менші моделі загалом перевершують більші в усіх SQL-завданнях: порівняння залежить від бенчмарку та умов експерименту.
Які деталі поки не підтверджені
Наявні уривки джерел не дають змоги незалежно перевірити всі цифри й подробиці експерименту — зокрема повний перелік інструментів, середні характеристики траєкторій взаємодії, детальні абляційні результати та порівняння з LiveSQLBench. Тому ці дані тут не наводимо як підтверджені. Репозиторій містить код для генерації даних і навчального конвеєра, а стаття описує загальний підхід HarnessSQL. 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 "Мала модель, яка вчиться працювати з базою, а не просто писати запити"?
HarnessSQL навчає 8B модель працювати в інтерактивному середовищі баз даних; її результат у Spider 2.0 SQLite, за повідомленнями, зріс із 15,5% до 45,2%.
What are the key points to validate first?
HarnessSQL навчає 8B модель працювати в інтерактивному середовищі баз даних; її результат у Spider 2.0 SQLite, за повідомленнями, зріс із 15,5% до 45,2%. Замість того щоб одразу вгадувати готовий SQL запит, агент може переглядати таблиці й схеми, виконувати запити та враховувати відповіді системи.
What should I do next in practice?
Підхід поєднує донавчання на послідовностях взаємодій із базою та підкріплення на основі результатів виконання.
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