Câu trả lờiĐã xuất bản20 nguồn
Luyện AI ngay trong môi trường cơ sở dữ liệu: cách HarnessSQL cải thiện khả năng viết SQL
HarnessSQL huấn luyện mô hình 8B trong môi trường cơ sở dữ liệu có thể thực thi; kết quả được báo cáo trên Spider 2.0 SQLite tăng từ 15,5% lên 45,2%. Thay vì tạo truy vấn trong một lần, tác tử có thể xem danh sách bảng, kiểm tra lược đồ, chạy SQL rồi dùng phản hồi để điều chỉnh.
Đăng bởiBiên tập bằng GPT-6 LunaHình ảnh được tạo bằng GPT Image 2
Câu trả lời nghiên cứu
Bài học chính
- HarnessSQL huấn luyện mô hình 8B trong môi trường cơ sở dữ liệu có thể thực thi; kết quả được báo cáo trên Spider 2.0 SQLite tăng từ 15,5% lên 45,2%.
- Thay vì tạo truy vấn trong một lần, tác tử có thể xem danh sách bảng, kiểm tra lược đồ, chạy SQL rồi dùng phản hồi để điều chỉnh.
- Phương pháp kết hợp tinh chỉnh có giám sát trên các chuỗi tương tác với học tăng cường dựa trên kết quả thực thi.
Prompt AI
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
Từ “viết một câu SQL” đến làm việc với cơ sở dữ liệu
Nhiều mô hình chuyển ngôn ngữ tự nhiên thành SQL được huấn luyện theo cách khá trực tiếp: nhận câu hỏi cùng thông tin về cơ sở dữ liệu, rồi lập tức tạo ra một câu truy vấn. Nhưng khi làm việc với dữ liệu thật, tác tử thường cần xem có những bảng nào, kiểm tra cấu trúc bảng, chạy thử truy vấn và sửa lại nếu kết quả hoặc lỗi cho thấy hướng làm chưa đúng.
HarnessSQL được thiết kế để huấn luyện mô hình theo quy trình tương tác đó, thay vì chỉ yêu cầu mô hình bắt chước một câu SQL hoàn chỉnh. Theo các báo cáo, cách huấn luyện này giúp mô hình 8B tăng điểm trên bộ đánh giá Spider 2.0-SQLite từ 15,5% lên 45,2%. 8
9
HarnessSQL đưa công cụ vào quá trình huấn luyện
HarnessSQL xây dựng trên DeepSeek Harness, một khung tác tử mã nguồn mở có thể mở rộng bằng các plugin, rồi điều chỉnh khung này cho các tác vụ cơ sở dữ liệu. 9
10
13 Giao diện SQL cho phép tác tử thực hiện những việc như liệt kê bảng, xem lược đồ và chạy truy vấn. Môi trường được mô tả cũng giới hạn thao tác ở chế độ chỉ đọc, chỉ cho phép một câu lệnh mỗi lần và đặt thời gian chờ tối đa 60 giây.
28
Điểm quan trọng là mô hình được luyện trong môi trường có thể thực thi truy vấn và trả về phản hồi, tương tự vòng lặp công cụ mà nó sẽ gặp khi làm nhiệm vụ. Nhờ vậy, mô hình có cơ hội học cách thu thập thông tin và sử dụng phản hồi từ cơ sở dữ liệu, thay vì chỉ học cách xuất ra một chuỗi SQL tĩnh.
Tạo môi trường dữ liệu và chuỗi tương tác
Nhóm nghiên cứu mô tả các môi trường cơ sở dữ liệu tách biệt, có lược đồ, khả năng thực thi truy vấn và phản hồi trong lúc chạy. Kho mã của dự án cho biết họ chuyển cơ sở dữ liệu Spider 2.0-DBT từ DuckDB sang SQLite, đồng thời dùng dữ liệu SQLite từ Spider 2.0-Lite và DBT để tạo các tác vụ SQL có thể thực thi. 5
25
Quy trình huấn luyện giữ lại cả chuỗi tương tác giữa tác tử và cơ sở dữ liệu: mô hình học qua các bước hành động cùng phản hồi nhận được, chứ không chỉ qua từng cặp câu hỏi và câu truy vấn riêng lẻ. Bài báo mô tả việc tinh chỉnh có giám sát, sau đó là học tăng cường sử dụng phần thưởng dựa trên kết quả thực thi. 4
17
25
Kết quả nổi bật — nhưng trong phạm vi một bài đánh giá
Trên Spider 2.0-SQLite, mô hình 8B được huấn luyện bằng HarnessSQL đạt 45,2%, so với mức nền được báo cáo là 15,5%. 8
9 Một báo cáo khác nêu mô hình 14B đạt 54,8%.
2 Cùng bài viết đó dẫn mức 14,8% cho OmniSQL-32B và 16,3% cho Arctic-Text2SQL-32B trên Spider 2.0-SQLite.
2
Các con số này cho thấy việc huấn luyện mô hình sử dụng môi trường thực thi có thể tạo khác biệt đáng kể trên bộ đánh giá nói trên. Tuy nhiên, chúng không chứng minh rằng mô hình nhỏ hơn sẽ luôn vượt mô hình lớn hơn trong mọi tác vụ SQL: kết quả còn phụ thuộc vào bộ dữ liệu đánh giá, cách thiết lập thử nghiệm và các mô hình được đem ra so sánh.
Những chi tiết chưa thể xác nhận độc lập
Các trích đoạn nguồn hiện có chưa cung cấp đủ thông tin để kiểm tra độc lập toàn bộ số liệu thử nghiệm, chẳng hạn đầy đủ định nghĩa của bốn công cụ, thống kê chi tiết về các chuỗi tương tác, kết quả phân tích loại bỏ thành phần hay các phép so sánh trên LiveSQLBench. Vì vậy, bài viết không xem những chi tiết đó là đã được xác nhận.
Kho mã của dự án cung cấp thông tin về quy trình tạo dữ liệu và huấn luyện; bài báo trình bày rộng hơn về phương pháp huấn luyện gắn với môi trường vận hành của tác tử. 5
17
25
Studio Global AI
Tiếp tục nghiên cứu của bạn
Trang này bao gồm câu trả lời dựa trên nguồn mà bạn có thể tiếp tục bên trong Studio Global.
Người ta cũng hỏi
Câu trả lời ngắn gọn cho "Luyện AI ngay trong môi trường cơ sở dữ liệu: cách HarnessSQL cải thiện khả năng viết SQL" là gì?
HarnessSQL huấn luyện mô hình 8B trong môi trường cơ sở dữ liệu có thể thực thi; kết quả được báo cáo trên Spider 2.0 SQLite tăng từ 15,5% lên 45,2%.
Những điểm chính cần xác nhận đầu tiên là gì?
HarnessSQL huấn luyện mô hình 8B trong môi trường cơ sở dữ liệu có thể thực thi; kết quả được báo cáo trên Spider 2.0 SQLite tăng từ 15,5% lên 45,2%. Thay vì tạo truy vấn trong một lần, tác tử có thể xem danh sách bảng, kiểm tra lược đồ, chạy SQL rồi dùng phản hồi để điều chỉnh.
Tôi nên làm gì tiếp theo trong thực tế?
Phương pháp kết hợp tinh chỉnh có giám sát trên các chuỗi tương tác với học tăng cường dựa trên kết quả thực thi.