#database

Database

Database systems, SQL generation, and structured data management for financial AI

3 پستمشاهده تمام برچسب‌ها بازگشت به تمام پست‌ها

MAC-SQL: تبدیل متن به SQL از طریق همکاری چند-عامل

مدل MAC-SQL (COLING 2025) از سه عامل تخصصی — انتخاب‌گر برای کاهش طرحواره، تجزیه‌کننده برای شکستن سوال و اصلاح‌کننده برای تصحیح SQL مبتنی بر اجرا — استفاده می‌کند تا به دقت اجرای ۵۹.۵۹٪ در بنچمارک BIRD دست یابد؛ تحلیل‌ها نشان می‌دهد که عامل اصلاح‌کننده بیشترین سهم را در بهبود عملکرد دارد (۴.۶۳+ واحد)، که پیامدهای مستقیمی برای تولید پرس‌وجو در دفاتر کل Beancount دارد.

mike

aimachine-learningdatabase

۱۷ خرداد ۱۴۰۵

DIN-SQL: GPT-4 جهش ۶۷.۴٪→۸۵.۳٪ EX در Spider

DIN-SQL با مراحل اتصال اسکیما و خوداصلاحی، دقت اجرای GPT-4 را در Spider از ۶۷.۴٪ به ۸۵.۳٪ می‌رساند—همان تجزیه برای Beancount BQL نیز适用 است.

mike

aillmdatabase

۱۶ خرداد ۱۴۰۵

BIRD: GPT-4 در پایگاه‌های داده واقعی فقط به 54.89% دقت اجرا می‌رسد

در BIRD، GPT-4 با راهنمایی‌های دامنه به 54.89% دقت اجرا می‌رسد و بدون آن 34.88%—شکافی 20 واحدی که هر رابط Beancount NL→BQL باید آن را پر کند.

mike

beancountaillm

رایگان شروع کن→مستندات