Feyn AI predstavlja SQRL: Model koji prevodi prirodni jezik u SQL

Šta ako bi vaš AI model mogao ne samo da prevede pitanje na prirodnom jeziku u SQL, već i da proveri bazu podataka pre nego što generiše konačni upit? Feyn AI, startup podržan od strane Y Combinator-a, predstavio je SQRL, porodicu modela koji upravo to i čine. SQRL modeli ne samo što pretvaraju prirodni jezik u SQL, već prvo inspektiraju bazu podataka kako bi rešili nejasnoće i osigurali da upiti koje generišu zaista podržavaju podaci.

SQRL-35B-A3B, najmoćniji model u porodici, postiže 70,6% tačnosti na BIRD Dev benchmarku, što je malo bolje od Claude Opus 4.6 koji ima 68,77% tačnosti pod istom evaluacijom. Modeli SQRL-4B, SQRL-9B i SQRL-35B-A3B su dostupni na Hugging Face platformi.

Jedan od glavnih problema sa tekst-u-SQL sistemima je to što upit može biti sintaksno ispravan, ali i dalje vratiti pogrešne rezultate. Na primer, upit može spojiti pogrešne tabele, pogrešno protumačiti nejasnu kolonu ili filtrirati vrednosti koje ne postoje. SQRL rešava ovaj problem tako što prvo inspektira bazu podataka i koristi informacije dobijene iz nje da generiše tačan upit.

BIRD benchmark, koji koristi Feyn AI, omogućava merenje ovih grešaka. Ovaj benchmark koristi baze podataka iz stvarnih domena koje sadrže nesavršene vrednosti, nejasne kolone i netrivijalne odnose. Sistem se ocenjuje tako što se izvršava SQL upit i upoređuju rezultati sa referentnim rezultatima. SQRL koristi informacije koje već postoje u bazi podataka kako bi generisao tačne upite.

SQRL modeli primaju pitanje, šemu baze podataka i opciono dokaze o bazi podataka. Ako je kontekst dovoljan, model vraća upit odmah. Ako postoji nejasnoća, model pokreće upite samo za čitanje i koristi rezultate za generisanje konačnog odgovora. Interakcija koristi dva različita akcijska bloka: <sql> za zahtevanje informacija iz baze podataka i <answer> za generisanje konačnog upita.

Feyn AI je trenirao SQRL modele koristeči BIRD i Spider datasetove, ali je prvo očistio trening podatke kako bi uklonio upite koji ne daju korisne rezultate. Modeli su trenirani koristeći CISPO, metodu pojačanog učenja koja je razvijena od strane MiniMax-a. Ova metoda omogućava modelu da nauči kada je potrebno inspektirati bazu podataka.

SQRL-35B-A3B je treniran direktno sa CISPO metodom, dok su SQRL-4B i SQRL-9B fino podešeni na osnovu primera dobijenih od SQRL-35B-A3B. SQRL-35B-A3B postiže 70,60% tačnosti na BIRD Dev benchmarku, dok SQRL-9B ima 69,80% tačnosti, a SQRL-4B dostize 68,80%, što je podjednako sa Claude Opus 4.6.

Feyn AI preporučuje SQRL-9B kao podrazumevani model, dok SQRL-4B predstavlja najjeftiniju opciju, a SQRL-35B-A3B omogućava najveću tačnost. Modeli su dostupni na Hugging Face platformi i mogu se koristiti sa vLLM serverom.

SQRL modeli predstavljaju značajan korak napred u oblasti tekst-u-SQL sistema, omogućavajući preciznije i pouzdanije generisanje SQL upita direktno iz prirodnog jezika. Sa svojom sposobnošću inspekcije baze podataka, SQRL modeli rešavaju jedan od ključnih problema u ovoj oblasti, čineći ih korisnim alatima za razvojne timove i korisnike koji rade sa bazama podataka.