Penyetelan halus adaptif-korpus meningkatkan recall pengambilan skema SQL

Para penulis mengubah lima dataset teks-ke-SQL (Spider, BIRD, BEAVER, dan dua varian LiveSQLBench) menjadi tugas pengambilan tabel dan kolom untuk mengevaluasi pengaitan skema. Mereka mengusulkan penyetelan halus adaptif-korpus untuk embedder 305M-parameter, yang meningkatkan recall@10 rata-rata dari 60,4 menjadi 75,6.

• Metode ini mensintesis kueri bahasa alami langsung dari korpus skema target dan menambang negatif keras yang sadar granularitas.
• Metode ini mengungguli embedder teks dan kode siap pakai, mencocokkan hasil state-of-the-art pada benchmark.
• Menerapkan resep yang sama ke embedder 8B meningkatkan recall@10-nya dari 77,8 menjadi 78,4.
• Eksperimen mengonfirmasi bahwa peningkatan tersebut mencerminkan kemampuan yang dapat ditransfer daripada hafalan data.

Hal ini menetapkan pengaitan skema sebagai tugas pengambilan mandiri dan menunjukkan adaptasi korpus ringan tanpa label sebagai jalur praktis untuk penyebaran skala perusahaan.