論文の概要: ACTS-SQL: Agentic and Critic-Oriented Tree-Structured SQL Correctness with Large Language Models
- arxiv url: http://arxiv.org/abs/2608.15145v1
- Date: Sat, 15 Aug 2026 09:43:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.210112
- Title: ACTS-SQL: Agentic and Critic-Oriented Tree-Structured SQL Correctness with Large Language Models
- Title（参考訳）: ACTS-SQL: 大規模言語モデルによるエージェント的で批判指向のツリー構造化SQLの正確性
- Abstract要約: 本稿では,計画的,木構造的デバッグプロセスとしてsql補正を定式化するための学習自由フレームワークを提案する。
我々は,強いLDMバックボーンと代表エージェントベースラインに対して一貫した精度向上を観察し,従来の最先端手法よりも9.42%改善した。
このフレームワークは、オンラインのText-to-TLS APIをサポートするために、Volcano EngineのTorch Log Service (TLS)にもデプロイされている。
- 参考スコア（独自算出の注目度）: 27.75092433893197
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large Language Models (LLMs) have been increasingly adopted in Text-to-SQL systems, yet SQL errors remain a major obstacle in real-world Text-to-SQL inference pipelines. Existing SQL correction approaches either rely on large-scale, high-quality training data with substantial overhead, or adopt single-path agentic workflows that are brittle to early mistakes and prone to error propagation. To develop a practical SQL correctness system for industrial scenarios, we present a training-free framework that formulates SQL correction as a plan-guided, tree-structured debugging process. By maintaining multiple correction strategies and enabling backtracking, the framework mitigates error accumulation during iterative refinement. We further integrate execution-based verification and clause-level diagnostic tools to support strategy pruning and precise error localization. We evaluate the system on the BIRD-Critic benchmark and observe consistent accuracy gains over strong LLM backbones and representative agent-based baselines, achieving a 9.42% improvement over the previous state-of-the-art method. The framework is also deployed in the Torch Log Service (TLS) of Volcano Engine to support an online Text-to-TLS API. In production, it improves execution accuracy from 36.77% to 53.61% on real user queries with a representative strong LLM backbone (GPT-5). These results demonstrate the effectiveness and stability of our approach in real-world deployments.
- Abstract（参考訳）: 大規模言語モデル(LLM)は、テキスト-SQLシステムではますます採用されているが、現実のテキスト-SQL推論パイプラインでは、SQLエラーが大きな障害となっている。
既存のSQL修正アプローチは、かなりオーバーヘッドの大きい大規模で高品質なトレーニングデータに依存するか、あるいは早期のミスに脆弱でエラーの伝播が困難であるシングルパスエージェントワークフローを採用するかのいずれかである。
産業シナリオのための実践的なSQL正当性システムを開発するため,我々は,SQL修正を計画的,木構造的デバッグプロセスとして定式化したトレーニング不要のフレームワークを提案する。
複数の補正戦略を維持し、バックトラックを可能にすることにより、反復的精錬時にエラーの蓄積を軽減できる。
さらに、実行ベースの検証と節レベルの診断ツールを統合して、戦略立案と正確なエラーローカライゼーションをサポートする。
BIRD-Criticベンチマークのシステム評価を行い、強力なLCMバックボーンと代表エージェントベースラインに対して一貫した精度向上を観測し、従来の最先端手法よりも9.42%改善した。
このフレームワークは、オンラインのText-to-TLS APIをサポートするために、Volcano EngineのTorch Log Service (TLS)にもデプロイされている。
実運用では、実行精度を36.77%から53.61%に改善し、代表的な強力なLCMバックボーン(GPT-5)を備える。
これらの結果は,実世界の展開におけるアプローチの有効性と安定性を示すものである。
関連論文リスト
- ErrorLLM: Modeling SQL Errors for Text-to-SQL Refinement [57.98138819417949]
テキスト・ツー・クエリを明示的にモデル化するフレームワークであるErrorLLMを提案する。
ErrorLLMは、バックボーンの初期生成よりも大幅に改善されていることを示す。
ErrorLLMは、精錬効率を維持しつつ、高い検出F1スコアで両面に対処する。
論文 参考訳（メタデータ） (2026-03-04T05:27:20Z) - Fine-tuned LLM-based Code Migration Framework [0.0]
本研究は,自動サンプリングマイグレーションの領域における研究成果と実験的検証について述べる。
提案手法は,従来のソフトウェア工学技術の優れた側面を活用するフレームワークとして,基本的には現れている。
論文 参考訳（メタデータ） (2025-12-15T16:42:51Z) - Text-to-SQL as Dual-State Reasoning: Integrating Adaptive Context and Progressive Generation [54.53145282349042]
DSR-sourced, textbfDual-textbfS textbfReasoning frameworkを導入する。
ポストトレーニングやインコンテキストの例がなければ、DSR-sourcedは競合性能を達成し、スパイダー2.0-Snowで35.28%、BIRD開発で68.32%に達する。
論文 参考訳（メタデータ） (2025-11-26T13:52:50Z) - Prompt Tuning for Natural Language to SQL with Embedding Fine-Tuning and RAG [1.988259704465628]
本稿では,エラーの型を診断し,原因を同定するエラー訂正機構を統合する新しいフレームワークを提案する。
既存のベースラインよりも12%の精度向上を実現しています。
論文 参考訳（メタデータ） (2025-11-11T13:41:13Z) - MTIR-SQL: Multi-turn Tool-Integrated Reasoning Reinforcement Learning for Text-to-SQL [46.37961458768655]
大規模言語モデル (LLM) は、テキストから認識するタスクにますます使われている。
既存のメソッドは、リアルタイムエラー訂正を制限する静的な実行フィードバックに依存している。
本稿では, MTIR-IDERを提案する。
論文 参考訳（メタデータ） (2025-10-29T13:34:27Z) - Agentar-Scale-SQL: Advancing Text-to-SQL through Orchestrated Test-Time Scaling [11.577572131517714]
最先端のSOTA (State-of-the-art) テキスト・トゥ・ザ・アーティカルな手法は、BIRDのような計算ベンチマークの挑戦に関して、人間の専門家よりかなり遅れている。
テスト時間のスケーリングを探求する現在のアプローチでは、組織化された戦略が欠如し、モデルの内部推論プロセスを無視しています。
論文 参考訳（メタデータ） (2025-09-29T07:50:02Z) - Calibrating LLMs for Text-to-SQL Parsing by Leveraging Sub-clause Frequencies [17.342818409033217]
出力クエリの正しさを伝達する正当性スコアを提供するという課題について検討する。
私たちの研究は、テキスト・ツー・パーシングのポストホックキャリブレーションのためのベンチマークを最初に確立したものです。
論文 参考訳（メタデータ） (2025-05-27T01:01:55Z) - Learning from Imperfect Data: Towards Efficient Knowledge Distillation of Autoregressive Language Models for Text-to-SQL [83.99974309930072]
知識蒸留(KD)は、より大規模な教師モデルをより小さな学生モデルに蒸留することを目的とした一般的な手法である。
我々は,不完全なデータ,すなわちKIDを用いてKDを改善することを提案する。
KIDは、すべてのモデルタイプとサイズで一貫した、重要なパフォーマンス向上を達成するだけでなく、トレーニング効率を効果的に向上する。
論文 参考訳（メタデータ） (2024-10-15T07:51:00Z) - DAC: Decomposed Automation Correction for Text-to-SQL [51.48239006107272]
De Automation Correction (DAC)を導入し、エンティティリンクとスケルトン解析を分解することでテキストから合成を補正する。
また,本手法では,ベースライン法と比較して,スパイダー,バード,カグルDBQAの平均値が平均3.7%向上することを示した。
論文 参考訳（メタデータ） (2024-08-16T14:43:15Z) - SQL-PaLM: Improved Large Language Model Adaptation for Text-to-SQL (extended) [53.95151604061761]
本稿では,大規模言語モデル(LLM)を用いたテキスト・ツー・フィルタリングのフレームワークを提案する。
数発のプロンプトで、実行ベースのエラー解析による一貫性復号化の有効性について検討する。
命令の微調整により、チューニングされたLLMの性能に影響を及ぼす重要なパラダイムの理解を深める。
論文 参考訳（メタデータ） (2023-05-26T21:39:05Z)
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。