ainews
SQRL: модель для SQL-запросов, которая сначала смотрит в базу данных
Стартап Feyn AI выпустил SQRL — семейство моделей, которые переводят вопросы на естественном языке в SQL. Вместо того чтобы сразу генерировать запрос, SQRL сначала может изучить базу данных, устранить неоднозначности и написать запрос, который реально соответствует структуре данных. Флагман SQRL-35B-A3B показывает 70,6% точности на бенчмарке BIRD, обходя Claude Opus 4.6 (68,77%). Три модели открыто доступны на Hugging Face.
Это первая открытая модель, которая может «заглянуть в базу» перед генерацией SQL — решая главную проблему text-to-SQL (несоответствие схемы реальным данным). При этом даже компактная версия (4B) не уступает топовым закрытым моделям и работает локально, что критично для приватных корпоративных данных.
Почему SQL-запрос может быть правильным синтаксически, но неверным по смыслу
Большинство text-to-SQL систем работают как переводчики: получают вопрос на естественном языке, смотрят на схему базы данных (названия таблиц, колонок, типы данных) и генерируют SQL-запрос. Проблема в том, что схема не раскрывает реальные данные: она не покажет, записан ли округ как Alameda, Alameda County или ALAMEDA, не подскажет, какой join создаст дубликаты строк.
Запрос может быть синтаксически идеальным, но вернуть не те данные — объединить не те таблицы, неправильно интерпретировать двусмысленную колонку, искать значения, которых не существует. Ошибки не бросают исключений, и обычное выполнение их не ловит.
Как работает SQRL
Стартап Feyn AI (при поддержке Y Combinator) переосмыслил задачу: модель должна сначала проинспектировать базу. SQRL получает вопрос, схему и опциональные подсказки. Если контекста достаточно, она сразу возвращает запрос. Если что-то непонятно — выполняет read-only запросы, смотрит на результат и на основе этого формирует финальный ответ.
Модель может делать до пяти «разведывательных» запросов, но обычно хватает меньше. Простые вопросы (например, подсчёт строк в одной таблице) решаются сразу.
Обучение: reinforcement learning + очистка данных
Feyn AI начала с очистки обучающих данных из бенчмарков BIRD и Spider: убрали примеры, где эталонный SQL не давал результата, три модели-судьи отбраковали запросы, не отвечавшие на вопрос. Затем флагманскую модель 35B обучили методом CISPO (RL-метод из разработки MiniMax M1), где модель генерирует восемь траекторий на вопрос, а наградой служит совпадение результата с эталоном.
Обучались на «смешанной зоне» — где часть из восьми попыток успешна, часть нет: так модель учится когда нужно инспектировать, а когда можно ответить сразу.
Меньшие модели (4B и 9B) дообучили на 10 200 успешных траекториях учителя, затем тоже прогнали через CISPO.
Результаты
На бенчмарке BIRD Dev (реальные базы с "грязными" данными, сложными связями): - SQRL-35B-A3B: 70,6% точности (активирует ~3B параметров на токен) - SQRL-9B: 69,8% - SQRL-4B: 68,8% — на уровне Claude Opus 4.6, но в модели, которую можно развернуть локально, не раскрывая схему и данные внешним API.
Три модели открыто доступны на Hugging Face: SQRL-4B, SQRL-9B, SQRL-35B-A3B.
Почему это важно
Традиционные подходы: либо дешёвый одношаговый вывод (но много ошибок), либо дорогой multi-step пайплайн с несколькими вызовами frontier-моделей и многократным обращением к БД. SQRL — единая модель, которая платит за инспекцию только когда нужно, и при этом держит точность на уровне лучших закрытых моделей в компактном форм-факторе.
Ключевые выводы
- Схема базы данных не содержит информации о реальных значениях и их формате — это главная причина ошибок text-to-SQL моделей
- SQRL может делать read-only запросы к БД перед генерацией финального SQL, устраняя неоднозначности на лету
- Обучение через RL (CISPO) на «смешанной зоне» траекторий учит модель решать, когда инспекция нужна, а когда можно ответить сразу
- Маленькая модель SQRL-4B (68,8% точности) на уровне Claude Opus 4.6, но работает локально — не нужно отправлять схему и данные в API
- SQRL объединяет преимущества одношаговых и multi-step подходов: быстрые ответы на простые вопросы, инспекция — на сложные
Автор: Артём Ковалёв · Источник: marktechpost.com
Feyn AI решили проблему, о которой мало кто говорит вслух: схема базы данных — это не база. Она не покажет, как реально записаны города, какие джоины дадут дубли, есть ли вообще данные за нужный период. SQRL перед генерацией SQL может сделать несколько read-only запросов, посмотреть на результат и только потом ответить — как делает опытный аналитик.
И вот что интересно: маленькая модель (4B параметров, влезет в любую железку) уже на уровне Claude Opus 4.6 на BIRD — бенчмарке с реальными «грязными» базами. А флагман (35B, из которых активно 3B на токен) обходит его на пару процентов. Всё открыто на Hugging Face, можно крутить локально — для корпораций с чувствительными данными это game changer. Обучение через RL на успешных/неуспешных траекториях научило модель **решать**, когда нужно заглянуть в базу, а когда можно ответить сразу — вместо тупого multi-step пайплайна с десятком вызовов API.
Комментарии