論文の概要: HarnessSQL: Harness-Native Training for SQL Agents in Realistic Database Environments
- arxiv url: http://arxiv.org/abs/2610.12274v3
- Date: Wed, 14 Oct 2026 16:34:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:14.99747
- Title: HarnessSQL: Harness-Native Training for SQL Agents in Realistic Database Environments
- Title（参考訳）: HarnessSQL: 現実的なデータベース環境におけるSQLエージェントのHarness-Nativeトレーニング
- Abstract要約: データベースエージェントをその実行ハーネス内で直接訓練することは、複雑なロングホライゾンデータベースをマスターするのに不可欠である。
本研究は,データベースエージェントを実行ハーネス内で直接訓練することが,複雑な長期データベースの習得に不可欠であることを示す。
- 参考スコア（独自算出の注目度）: 36.56288262542842
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Text-to-SQL models are commonly trained to map questions directly to static queries, whereas real-world database agents operate through stateful, multi-turn interaction with live databases -- inspecting schemas, executing probe queries, diagnosing errors, and revising hypotheses. This creates a critical train-deploy mismatch, as the execution harness that mediates this interaction is introduced only at inference time. To bridge this gap, we propose HarnessSQL, a harness-native post-training framework that preserves the full interaction structure throughout both supervised fine-tuning and reinforcement learning. HarnessSQL builds isolated, executable database environments paired with hidden execution oracles, rolls out teachers directly inside the target SQL harness, and retains only verified trajectories for full-sequence SFT, followed by execution-reward RL. Across Spider 2.0-SQLite, HarnessSQL dramatically boosts the execution accuracy of compact models, raising Qwen3-8B from 15.5% to 45.2% and Qwen3-14B from 22.2% to 54.8%, while transferring effectively to out-of-distribution interactive benchmarks such as BIRD-Interact and LiveSQLBench. Our findings demonstrate that training database agents directly within their execution harness is essential for mastering complex, long-horizon database workflows.
- Abstract（参考訳）: テキストからSQLモデルは通常、質問を静的クエリに直接マップするようにトレーニングされているが、現実のデータベースエージェントは、ステートフルでマルチターンなインタラクションを通じて、ライブデータベースと運用されている。
これは、このインタラクションを仲介する実行ハーネスが推論時にのみ導入されるため、重要なトレイン/デプロイミスマッチを生み出します。
このギャップを埋めるために、教師付き微調整と強化学習の両方を通して、完全なインタラクション構造を保存するハーネスネイティブなポストトレーニングフレームワークであるHarnessSQLを提案する。
HarnessSQLは、隠れた実行オラクルと組み合わせて、分離された実行可能データベース環境を構築し、ターゲットのSQLハーネス内で直接教師をロールアウトし、フルシーケンスのSFTのための検証済みのトラジェクトリのみを保持し、その後に実行後RLが続く。
スパイダー2.0-SQLite全体で、HarnessSQLはコンパクトモデルの実行精度を劇的に向上させ、Qwen3-8Bを15.5%から45.2%に、Qwen3-14Bを22.2%から54.8%に引き上げた。
この結果から,データベースエージェントを実行ハーネス内で直接訓練することは,複雑な長期データベースワークフローの習得に不可欠であることが示唆された。
関連論文リスト
- ProSPy: A Profiling-Driven SQL-Python Agentic Framework for Enterprise Text-to-SQL [51.98164069124653]
ProSPyは、エンタープライズスケールのテキスト-非依存分析のためのプロファイリング駆動フレームワークである。
ProSPyは推論プロセスを4段階に構成する。
まず、自動プロファイリングにより、きめ細かいデータ証拠を抽出する。
大規模なスキーマをタスク関連コンテキストに抽出する。
論文 参考訳（メタデータ） (2026-06-04T08:13:05Z) - SQL-Trail: Multi-Turn Reinforcement Learning with Interleaved Feedback for Text-to-SQL [20.49395306069103]
テキスト・ツー・ワン・ジェネレーションのためのマルチターン強化学習(RL)エージェント・フレームワークを提案する。
1ショットでクエリを生成するのではなく、SQL-Trailはデータベース環境と対話し、実行フィードバックを使用して予測を反復的に洗練する。
提案手法は, エージェントの相互作用深度を問合せ難易度に合わせるための適応的なターン予算配分機構と, sqlの正しさと効率的な探索を両立させる複合報酬パネルの2つを主眼とする。
論文 参考訳（メタデータ） (2026-01-25T05:16:52Z) - Companion Agents: A Table-Information Mining Paradigm for Text-to-SQL [8.159121916366727]
BIRDのような大規模テキスト・ツー・キュレートのベンチマークは通常、利用可能な外部知識だけでなく、完全で正確なデータベースアノテーションを前提としている。
このミスマッチはドメイン・オブ・ザ・ドメイン・テキスト・トゥ・アーティファクトシステムの現実的な適用性を著しく制限する。
本稿では,関係データベースに内在する固有できめ細かな情報を活用するデータベース中心の手法を提案する。
論文 参考訳（メタデータ） (2025-12-17T07:11:55Z) - 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) - Rethinking Text-to-SQL: Dynamic Multi-turn SQL Interaction for Real-world Database Exploration [21.94739453628141]
進化するユーザインタラクションの下でモデル性能を評価するベンチマークであるDy-Benchを紹介する。
以前の手動でキュレートされたデータセットとは異なり、Dylz-Benchはタスクと検証の2段階の自動パイプラインを通じて構築される。
Dy-BenchはBIRDとSpider 2データベースにまたがる13のドメインをカバーしており、合計1,072のタスクがある。
論文 参考訳（メタデータ） (2025-10-30T13:44:22Z) - CogniSQL-R1-Zero: Lightweight Reinforced Reasoning for Efficient SQL Generation [1.169202600932732]
本稿では,強化学習(RL)フレームワークとモデルであるCogni-R1-Zeroを紹介する。
我々は、実行の正しさとフォーマットタグのコンプライアンスに基づく軽量な報酬信号を使用する。
提案手法は,Text2ベンチマーク上での最先端実行精度を実現する。
効率的かつ解釈可能なテキスト・ツー・コード・モデリングのさらなる研究を支援するために、2つのキュレートされたデータセットをリリースする。
論文 参考訳（メタデータ） (2025-07-08T14:17:07Z) - RAISE: Reasoning Agent for Interactive SQL Exploration [47.77323087050061]
本稿では,スキーマリンク,クエリ生成,反復的改善を1つのエンドツーエンドコンポーネントに統一する新しいフレームワークを提案する。
本手法は、不慣れなデータベースを扱う際に、人間がどう答えるかをエミュレートする。
論文 参考訳（メタデータ） (2025-06-02T03:07:08Z) - Arctic-Text2SQL-R1: Simple Rewards, Strong Reasoning in Text-to-SQL [35.21185734929167]
提案するArctic-Text2-R1は、RLフレームワークとモデルファミリで、正確で実行可能なsqlを生成するように設計されている。
提案手法は、調整された中間監督と複雑な報酬形成を回避し、安定したトレーニングと最終課題との整合性を促進する。
特に、私たちの7Bモデルは70Bクラスのシステムよりも優れており、フレームワークのスケーラビリティと効率性を強調しています。
論文 参考訳（メタデータ） (2025-05-22T23:33:47Z) - MAC-SQL: A Multi-Agent Collaborative Framework for Text-to-SQL [47.120862170230566]
最近のText-to-Yourselfメソッドは通常、"巨大な"データベース上での大幅なパフォーマンス劣化に悩まされる。
我々は,新しいテキスト・ツー・ユー・セルフ LLM ベースのマルチエージェント協調フレームワーク MAC を紹介する。
我々のフレームワークでは、GPT-4を全てのエージェントタスクの強力なバックボーンとして利用し、フレームワークの上限を決定する。
次に、Code 7Bを活用することで、オープンソースの命令フォローモデルであるsql-Llamaを微調整し、GPT-4のように全てのタスクを達成します。
論文 参考訳（メタデータ） (2023-12-18T14:40:20Z)
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。