本文提出了一个名为Bird的大规模基准数据集，旨在填补现有基准测试数据集在数据库值、外部知识和SQL某些方面的不足。实验结果表明，在大型数据库的文本到SQL转换中，数据库值具有重要意义。同时，最先进的文本到SQL模型ChatGPT，转换准确度仅为40.08%，距离人类结果92.96%还有巨大的差距。

May, 2023

该研究通过使用大型语言模型（LLMs）来进行文本到SQL程序合成的各种方法以及相关的结果和见解，通过使用流行的Text-to-SQL数据集（spider）输入自然语言问题和数据库模式并生成正确的SQL SELECT查询。通过细调WizardLM的WizardCoder-15B模型和fine-tuning gpt-3.5-turbo-16k（Few-shot）+ gpt-4-turbo（Zero-shot error correction）的方式，查询的执行准确率达到了较高的82.1%。大部分错误查询可以归为七个不同的类别，这揭示了LLM程序合成的瑕疵以及可改进的方向。

Jan, 2024

通过对大型语言模型（LLMs）在表格任务方面的应用进行全面的概述，本文除了涵盖传统的表格问答（Table QA）和事实验证等领域，还强调了表格操作和高级表格数据分析等新方面，并介绍了LLMs中的指导调优、提示和基于代理的方法，同时也提出了私有部署、高效推理和开发广泛基准的相关挑战。

Feb, 2024

通过构建新数据集和提出五个评估任务，全面评估不同方法在文本到SQL过程中的性能，揭示了大型语言模型之间的性能差异，并提出了针对每个任务的最佳上下文学习解决方案，为改进基于大型语言模型的文本到SQL系统的开发提供了有价值的见解。

Mar, 2024

根据自然语言问题（文本到SQL）生成准确的SQL是一个长期存在的问题，传统的文本到SQL系统使用人工工程和深度神经网络，而最近的大型语言模型（LLMs）已经展示出在自然语言理解方面的显著能力，因此，将LLM-based实现整合到文本到SQL研究中可以带来独特的机遇、挑战和解决方案。

Jun, 2024

通过比较9个基于大型语言模型的文本到SQL模型在测试套件执行准确率(EXE)、精确匹配准确率(ESM)和改进后的ESM+(ESM+)方面的表现，我们发现EXE和ESM评估指标在准确性方面存在明显的不足，而ESM+可以提供更稳定的评估结果，因此我们提供了ESM+脚本作为开源工具，以便社区做出贡献并获得更可靠的文本到SQL评估。

Jul, 2024

本研究探讨了当前文本到SQL流程中的模式链接问题，发现新一代大型语言模型能够在生成过程中有效使用相关模式元素，即使有大量无关元素存在。因此，当模式适应模型的上下文窗口时，我们的流程完全放弃模式链接，以减少所需模式元素过滤带来的问题，并通过增强、选择和校正等技术提升生成准确性，最终在BIRD基准测试中取得71.83%的准确率。

Aug, 2024

本研究解决了大型语言模型在文本到SQL任务中的幻觉问题和领域特定数据库知识缺乏的挑战。提出了一种知识注入的方法，通过融入先前知识，提升了模型对表结构内容的理解能力，从而显著提高了执行匹配和精确匹配的效果，减小了生成列名和匹配值的错误。此方法可广泛应用于多种下游文本到SQL任务，展示了其良好的推广能力。

Sep, 2024

本研究解决了将自然语言查询转化为结构化SQL命令的持续问题，提供了基于大型语言模型的文本转SQL系统的全面演变分析。论文独特地探讨了知识图谱在提高语境准确性和模式链接中的作用，关键发现为当前技术的局限性及未来改进方向。

Oct, 2024

该研究解决了当前文本到SQL模型在性能上依赖Auxiliary工具的问题，提出了仅依赖SQL质量测量的方法，建立了一个评估生成SQL查询的机制。实验结果显示，该方法在执行准确度和有效效率评分上与最先进的模型（如GPT4和T5）具有竞争力，彰显了模型输出持续学习和优化的潜力。

Oct, 2024