論文の概要: VCoT-SQL: Enhancing Text-to-SQL Generation through Dual Chain-of-Thought Validation Training

• arxiv url: http://arxiv.org/abs/2611.00815v2
• Date: Wed, 04 Nov 2026 10:37:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:57.626699
• Title: VCoT-SQL: Enhancing Text-to-SQL Generation through Dual Chain-of-Thought Validation Training
• Title（参考訳）: VCoT-SQL: デュアルチェイン・オブ・ソートバリデーショントレーニングによるテキストからSQL生成の強化
• Abstract要約: VCoT合成は、7Bモデルに依存しているが、72Bスケールまたはプロプライエタリなクローズドソースの教師をデータ生成に使用する方法よりも優れている。 VCoT-は、挑戦的なデータセットBIRD開発で66.82%、スパイダーテストで86.8%を達成し、ベース7BモデルをBIRDで7%改善した。
• 参考スコア（独自算出の注目度）: 10.95032974127318
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open-source LLMs provide a flexible alternative to closed-source models for Text-to-SQL but still struggle with complex queries. Finetuning with chain-of-thought (CoT) data improves reasoning, yet standard datasets lack CoT annotations, requiring synthetic generation. Existing synthesis methods only verify the final answer, allowing flawed reasoning steps to corrupt the training data. We propose VCoT-SQL, a framework that improves Text-to-SQL generation through intermediate-step validated CoT supervision and a dedicated SQL validator, which enables small open-source models to outperform frontier closed-source models. VCoT-SQL trains two complementary models on curated reasoning traces: an SQL generator using clause-level CoT templates where reasoning steps are verified via execution and schema alignment checks, and an SQL validator using diagnostic CoT templates to detect syntactic, semantic, and type level errors. We further design a hierarchical schema filtering pipeline that integrates and refines complementary retrieval strategies to distill relevant database elements. VCoT-SQL achieves 66.82% execution accuracy on challenging dataset BIRD dev and 86.8% on Spider test, improving the base 7B model by 7% on BIRD. Notably, our CoT synthesis relies on 7B models yet outperforms methods that use 72B-scale or even proprietary closed source teachers for data generation, demonstrating that rigorous step-level validation can be more effective than scaling up teacher model size. Our dataset and code are available at https://github.com/INTREBID/VCoT-SQL.
• Abstract（参考訳）: オープンソース LLM は Text-to-SQL のクローズドソースモデルのフレキシブルな代替手段を提供するが,それでも複雑なクエリに苦慮している。 チェーンオブ思想(CoT)データによる微調整は推論を改善するが、標準データセットにはCoTアノテーションがなく、合成生成が必要である。 既存の合成法は最終回答のみを検証し、欠陥のある推論ステップでトレーニングデータを破損させる。 我々は、中間段階のCoT監視によるテキスト・ツー・SQL生成を改善するフレームワークであるVCoT-SQLと、小さなオープンソース・モデルでフロンティア・クローズド・ソース・モデルを上回るパフォーマンスを実現する専用のSQLバリデータを提案する。 VCoT-SQLは、実行とスキーマアライメントチェックによって推論ステップが検証される節レベルのCoTテンプレートを使用したSQLジェネレータと、診断用のCoTテンプレートを使用して、構文、セマンティック、タイプレベルのエラーを検出するSQLバリデータの2つの補完モデルを訓練している。 さらに、関連するデータベース要素を抽出するための補完的な検索戦略を統合し、洗練する階層的なスキーマフィルタリングパイプラインを設計する。 VCoT-SQLは、挑戦的なデータセットBIRD開発で66.82%、スパイダーテストで86.8%を達成し、ベース7BモデルをBIRDで7%改善した。 特に、我々のCoT合成は、72Bスケールまたはプロプライエタリなクローズドソースの教師をデータ生成に使用する7Bモデルよりも優れており、厳格なステップレベルの検証が教師モデルの規模を拡大するよりも効果的であることを実証している。 私たちのデータセットとコードはhttps://github.com/INTREBID/VCoT-SQLで公開されています。

関連論文リスト

• Spider 2.0-AIFunc: Extending Real-World Text-to-SQL to AI-Native SQL Workflows [54.49251107006261]
  我々はSpider 2.0-AIFuncを紹介した。これは、Snowflakeプラットフォーム上の6種類のAI機能をカバーする125の現実世界データベースにわたる465の検証済みインスタンスのベンチマークである。 最強のプロプライエタリモデルは67-70%の精度で実行でき、最高のオープンソースモデルは58.1%に達する。
  論文  参考訳（メタデータ） (2026-07-07T12:54:08Z)
• Reliable Answers for Recurring Questions: Boosting Text-to-SQL Accuracy with Template Constrained Decoding [19.55574267306257]
  大規模言語モデル(LLM)はテキスト・ツー・ジェネレーションに革命をもたらした。 本稿では,ラベル付きワークロードにおけるクエリパターンの繰り返しを利用したTeCoDを提案する。 我々は、TeCoDが、コンテキスト内学習(ICL)よりも最大36%高い実行精度と、マッチしたクエリの2.2倍のレイテンシが得られることを示す。
  論文  参考訳（メタデータ） (2026-04-30T15:44:34Z)
• Track-SQL: Enhancing Generative Language Models with Dual-Extractive Modules for Schema and Context Tracking in Multi-turn Text-to-SQL [50.84251174559123]
  生成言語モデルの性能は、マルチターンテキストソースと同程度に拡張されない。 マルチターンテキスト・ソースにおけるスキーマとコンテキスト変化を追跡するために設計された二重抽出モジュールを用いた生成言語モデルを強化するトラック-を提案する。 Track-は、データセットでそれぞれ7.1%と9.55%のマルチターンインタラクションの実行精度を大幅に改善する。
  論文  参考訳（メタデータ） (2026-03-06T07:57:06Z)
• RingSQL: Generating Synthetic Data with Schema-Independent Templates for Text-to-SQL Reasoning Models [1.0062127381149395]
  Ringは、スキーマに依存しないクエリテンプレートとLLMベースの自然言語質問のパラフレーズを組み合わせたハイブリッドデータ生成フレームワークである。 我々は、Ringによってトレーニングされたモデルが、他の合成データでトレーニングされたモデルと比較して、6つのテキスト間ベンチマークの平均精度+2.3%に達することを発見した。
  論文  参考訳（メタデータ） (2026-01-09T00:46:53Z)
• 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)
• Rationalization Models for Text-to-SQL [13.792561265515003]
  本稿では,テキスト・ツー・シークレット・モデルの微調整を強化するために,CoT(Chain-of-Thought)論理を生成するフレームワークを提案する。 プロセスは、手動でサンプルの小さなセットをアノテートすることから始まり、その後、大きな言語モデルを促すために使用される。 その後、検証されたクエリに基づいて合理化モデルをトレーニングし、広範な合成CoTアノテーションを可能にする。
  論文  参考訳（メタデータ） (2025-02-10T18:38:57Z)
• RSL-SQL: Robust Schema Linking in Text-to-SQL Generation [51.00761167842468]
  本稿では、双方向スキーマリンク、コンテキスト情報拡張、バイナリ選択戦略、マルチターン自己補正を組み合わせたRSLと呼ばれる新しいフレームワークを提案する。 ベンチマークの結果,オープンソースのソリューション間でのSOTA実行精度は67.2%,BIRDは87.9%,GPT-4オクルージョンは87.9%であった。 提案手法は,DeepSeekを同一のプロンプトで適用した場合,GPT-4ベースのテキスト・ツー・シークシステムよりも優れている。
  論文  参考訳（メタデータ） (2024-10-31T16:22:26Z)
• Synthesizing Text-to-SQL Data from Weak and Strong LLMs [68.69270834311259]
  オープンソースとクローズドソースの大規模言語モデル(LLM)の能力ギャップは、テキスト・トゥ・タスクにおいて依然として課題である。 より大規模で強力なモデルによって生成されたデータと、より小さく、不整合なモデルによって生成されたエラー情報データを組み合わせた合成データアプローチを導入する。
  論文  参考訳（メタデータ） (2024-08-06T15:40:32Z)
• Bridging Textual and Tabular Data for Cross-Domain Text-to-SQL Semantic Parsing [110.97778888305506]
  BRIDGEは、フィールドのサブセットが質問に言及されたセル値で拡張されるタグ付きシーケンスの質問とDBスキーマを表します。 BRIDGEは、人気のクロスDBテキスト-リレーショナルベンチマークで最先端のパフォーマンスを達成しました。 本分析は,BRIDGEが望まれる相互依存を効果的に捕捉し,さらにテキストDB関連タスクに一般化する可能性を示唆している。
  論文  参考訳（メタデータ） (2020-12-23T12:33:52Z)

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。