論文の概要: A Multi-agent Text2SQL Framework using Small Language Models and Execution Feedback

• arxiv url: http://arxiv.org/abs/2512.18622v1
• Date: Sun, 21 Dec 2025 06:43:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.427369
• Title: A Multi-agent Text2SQL Framework using Small Language Models and Execution Feedback
• Title（参考訳）: 小言語モデルと実行フィードバックを用いたマルチエージェントText2SQLフレームワーク
• Authors: Thanh Dat Hoang, Thanh Trung Huynh, Matthias Weidlich, Thanh Tam Nguyen, Tong Chen, Hongzhi Yin, Quoc Viet Hung Nguyen,
• Abstract要約: LLM(Large Language Models)は、Text2sqlクエリを生成する上で優れたパフォーマンスを示している。 プライバシとコストの考慮により、企業はサービスとして提供される外部LLMに基づいたText2ソリューションを使用することができない。 SLM向けに設計された新しいText2フレームワークであるMATSを提案する。
• 参考スコア（独自算出の注目度）: 40.19592881059662
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Text2SQL, the task of generating SQL queries from natural language text, is a critical challenge in data engineering. Recently, Large Language Models (LLMs) have demonstrated superior performance for this task due to their advanced comprehension and generation capabilities. However, privacy and cost considerations prevent companies from using Text2SQL solutions based on external LLMs offered as a service. Rather, small LLMs (SLMs) that are openly available and can hosted in-house are adopted. These SLMs, in turn, lack the generalization capabilities of larger LLMs, which impairs their effectiveness for complex tasks such as Text2SQL. To address these limitations, we propose MATS, a novel Text2SQL framework designed specifically for SLMs. MATS uses a multi-agent mechanism that assigns specialized roles to auxiliary agents, reducing individual workloads and fostering interaction. A training scheme based on reinforcement learning aligns these agents using feedback obtained during execution, thereby maintaining competitive performance despite a limited LLM size. Evaluation results using on benchmark datasets show that MATS, deployed on a single- GPU server, yields accuracy that are on-par with large-scale LLMs when using significantly fewer parameters. Our source code and data are available at https://github.com/thanhdath/mats-sql.
• Abstract（参考訳）: Text2SQLは、自然言語テキストからSQLクエリを生成するタスクであり、データエンジニアリングにおいて重要な課題である。 近年,Large Language Models (LLM) は,その高度な理解と生成能力により,この課題に対して優れた性能を示した。 しかし、プライバシとコストの考慮により、企業はサービスとして提供される外部LLMに基づいたText2SQLソリューションを使用することができない。 むしろ、オープンで、社内でホストできる小さなLLM(SLM)が採用されている。 これらの SLM はより大きな LLM の一般化能力に欠けており、Text2SQL のような複雑なタスクの効率を損なう。 これらの制約に対処するため,SLM向けに設計された新しいText2SQLフレームワークであるMATSを提案する。 MATSは、補助エージェントに特別な役割を割り当てるマルチエージェントメカニズムを使用して、個々のワークロードを削減し、インタラクションを促進する。 強化学習に基づくトレーニングスキームは、これらのエージェントを実行中に得られたフィードバックを用いて整列させ、LLMサイズに制限があるにもかかわらず、競争性能を維持する。 ベンチマークデータセットを用いた評価結果から、単一のGPUサーバにデプロイされたMATSは、パラメータが大幅に少ない場合、大規模LLMと同等の精度が得られることが示された。 ソースコードとデータはhttps://github.com/thanhdath/mats-sql.comで公開されています。

関連論文リスト

• MaskSQL: Safeguarding Privacy for LLM-Based Text-to-SQL via Abstraction [9.405530537180129]
  大規模言語モデル(LLM)は推論を必要とするタスクに対して有望なパフォーマンスを示す。 最先端のLCMもプロプライエタリであり、コストがかかり、リソース集約であり、ローカルなデプロイメントを非現実的にしている。 プライバシー保護機構として抽象化を利用するテキスト・ツー・アクション・フレームワークであるMaskを紹介する。
  論文  参考訳（メタデータ） (2025-09-27T19:07:50Z)
• Evaluating and Enhancing LLMs for Multi-turn Text-to-SQL with Multiple Question Types [11.391598870596392]
  大規模言語モデル (LLM) は、かなり高度な音声合成システムを備えている。 LLMは、しばしばSQL生成に焦点を合わせ、現実世界の会話クエリの複雑さを無視している。 LLMの問合せ分類とSQL生成能力を評価するためのテストスイートMMを提案する。
  論文  参考訳（メタデータ） (2024-12-21T10:13:45Z)
• Relational Database Augmented Large Language Model [59.38841050766026]
  大規模言語モデル(LLM)は多くの自然言語処理(NLP)タスクに優れる。 彼らは、トレーニングや教師付き微調整プロセスを通じてのみ、新しい知識を取り入れることができる。 この正確で最新のプライベート情報は、通常リレーショナルデータベースに格納される。
  論文  参考訳（メタデータ） (2024-07-21T06:19:10Z)
• Text-to-SQL Empowered by Large Language Models: A Benchmark Evaluation [76.76046657162306]
  大規模言語モデル(LLM)はテキスト・ツー・タスクの新しいパラダイムとして登場した。 大規模言語モデル(LLM)はテキスト・ツー・タスクの新しいパラダイムとして登場した。
  論文  参考訳（メタデータ） (2023-08-29T14:59:54Z)
• Querying Large Language Models with SQL [16.383179496709737]
  多くのユースケースでは、情報はテキストに格納されるが、構造化データでは利用できない。 事前訓練されたLarge Language Models (LLMs) の台頭に伴い、大量のテキストコーパスから抽出された情報を保存および使用するための効果的なソリューションが現在存在する。 本稿では,従来のデータベースアーキテクチャに基づくプロトタイプであるGaloisについて紹介する。
  論文  参考訳（メタデータ） (2023-04-02T06:58:14Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。