ChatGPT论文：Evaluating the Text-to-SQL Capabilities of Large Language Models 评估大语言模型的文本到 SQL 的功能 (一)-优快云博客

摘要

我们对 Codex 语言模型的文本到 SQL 功能进行了实证评估。我们发现，在没有任何微调的情况下，Codex 是 Spider 基准测试的强大基线；我们还分析了 Codex 在此设置下的故障模式。此外，我们在 GeoQuery 和 Scholar 基准测试中证明，提示中提供的少量域内示例使 Codex 的性能优于在此类少数示例上进行微调的最先进模型。

1.简介

1 简介
将自然语言问题转换为 SQL 查询（文本到 SQL）是一个重要的业务问题，引起了广泛的研究兴趣。

完成此任务的常见方法包括训练模型，以在给定问题、数据库模式以及可能的数据库内容作为输入时生成 SQL 查询。该领域的一个明显趋势是对自然语言预训练的模型进行微调。值得注意的是，随着使用更大的预训练模型，性能显着提高（Shaw 等人，2021 年；Scholak 等人，2021 年）。

来自更广泛领域的最新结果表明，简单地扩展生成语言模型的训练数据和模型大小可以带来高级功能。在这项工作中，我们研究这些模型是否已经是有竞争力的文本到 SQL 解决方案，而无需对特定于任务的训练数据进行任何进一步的微调，评估不同大小的 Codex 和 GPT-3 模型在文本到 SQL 基准测试中具有不同的提示。

我们发现 Codex 在 Spider 开发集上实现了高达 67% 的执行准确率，具有竞争力。我们分析了自动评估判断为错误的预测查询，发现其中许多查询会被人类判断为正确，而其他查询可能会在无微调范式中修复。最后，使用 GeoQuery 和 Scholar 基准测试，我们表明，通过用少量示例提示来使 Codex 适应特定领域，比在相同示例上微调较小的语言模型更有效。

2.试验设置

模型

我们的评估重点是可通过 OpenAI API 访问的模型：GPT-3（按升序的 ada、babbage、curie 和 davinci 大小）和 Codex（按升序的 cushman-codex 和 davinci-codex 大小）。
这些是生成语言模型，在训练和推理过程中执行下一个标记预测； GPT-3 在来自互联网的各种资源上进行了训练，Codex 在 GitHub 上的代码上进行了进一步的微调。我们将 GPT-3 和 Codex 与 Shaw 等人的方法进行了比较。 (2021) 使用 T5 编码器-解码器模型。从在 Common Crawl 上预训练的公共检查点开始，T5 模型在 Spider 上进行了微调，以预测输出 SQL，以问题和模式为条件。当与使用 PICARD 算法的约束推理相结合时，3B 参数 T5 模型是目前 Spider 上最先进的模型（Scholak 等人，2021）。我们还与 BRIDGE v2（Lin 等人，2020）进行比较，这是一种基于 BERT 的序列到序列模型。

零样本实验 Zero-Shot Experiments

我们使用 Spider 基准测试（Yu et al., 2019）进行跨域文本到 SQL。我们使用有效（可执行）SQLite SQL 的开发集预测百分比、执行准确性和测试套件执行准确性来报告性能。后一个指标是由Zhong等人提出的。 (2020) 来衡量以不同风格编写的 SQL 查询的语义等效性，这在将 Codex 与在 Spider 上训练的模型进行比较时至关重要。我们在附录 A.5 中解决了 Codex 可能记忆 Spider 数据的问题。

少样本实验 Few-Shot Experiments

我们重新利用了 GeoQuery 和 Scholar 数据集的问题分割（Zelle 和 Mooney，1996；Iyer 等人，2017；Finegan-Dollak 等人，2018），在Few-Shot 设置中进行实验。这些数据集中的示例按查询模板分组。同一模板对应的示例具有相同的 SQL 查询结构，但可能具有不同的英文问题和 SQL 文字。为了定义小样本任务，我们首先根据模板在训练集中的频率对模板进行排序。在 n-shot 设置中，我们为 n 个最常见的模板中的每一个使用一个随机示例。