分享: 一种基于SLM的文本到SQL分层动作校正助手

当前文本到SQL的自校正方法面临两个关键限制：1）传统的自校正方法依赖于大型语言模型（LLM）的递归自调用，导致计算开销呈倍数增长；2）LLM难以对声明性SQL查询实现有效的错误检测和校正，因为它们未能展示底层的推理路径。在这项工作中，我们提出了SHARE，一个基于小型语言模型（SLM）的分层动作校正助手，它使LLM能够执行更精确的错误定位和高效校正。SHARE以顺序流水线的方式协调三个专门的SLM，它首先将声明性SQL查询转换为揭示底层推理的逐步动作轨迹，然后进行两阶段的粒度细化。我们进一步提出了一种新颖的分层自演化策略，用于数据高效的训练。实验结果表明，SHARE有效增强了自校正能力，并在各种LLM中表现出鲁棒性。此外，我们的综合分析表明，即使在低资源训练设置下，SHARE也能保持强大的性能，这对于具有数据隐私约束的文本到SQL应用尤其有价值。