هوش مصنوعی

چارچوب VCoT-SQL برای بهبود تبدیل متن به SQL با اعتبارسنجی گام‌های استدلال

پیش‌چاپی در arXiv چارچوبی را معرفی می‌کند که به‌جای بررسی صرف پاسخ نهایی، مراحل استدلال و کوئری SQL را نیز اعتبارسنجی می‌کند؛ نویسندگان می‌گویند این روش به مدل‌های متن‌باز کوچک امکان می‌دهد از مدل‌های بستهٔ پیشرفته بهتر عمل کنند.

۱ دقیقه مطالعه
Figure 1: Overview of the proposed VCoT-SQL framework. (1) Model Training : two pipelines collect CoT supervision data to train the CoT-enhanced SQL Generator and Validator. (2) Schema Filtering : the question and full d
تصویر درج‌شده در مقالهٔ اصلی؛ حقوق بازنشر مستقل تأیید نشده است. — arXiv · AI (پیش‌چاپ) · پرونده اصلی · منبع تصویر: ناشر خبر

مدل‌های زبانی متن‌باز در تبدیل پرسش‌های متنی به SQL انعطاف‌پذیرند، اما همچنان در برابر پرسش‌های پیچیده مشکل دارند. ریزتنظیم با داده‌های زنجیرهٔ استدلال (CoT) می‌تواند به بهبود استدلال کمک کند، ولی مجموعه‌داده‌های استاندارد معمولاً حاشیه‌نویسی CoT ندارند و باید این داده‌ها به‌صورت مصنوعی تولید شوند. به‌گفتهٔ پژوهشگران، روش‌های موجود غالباً فقط پاسخ نهایی را می‌سنجند؛ بنابراین ممکن است مراحل استدلال نادرست وارد دادهٔ آموزشی شوند.

چارچوب پیشنهادی VCoT-SQL از نظارت بر زنجیرهٔ استدلالِ اعتبارسنجی‌شده در مراحل میانی و یک اعتبارسنج اختصاصی SQL استفاده می‌کند. در چکیدهٔ پیش‌چاپ آمده است که این چارچوب دو مدل مکمل را با ردهای استدلال گزینش‌شده آموزش می‌دهد؛ یکی از آن‌ها مولد SQL است که از قالب‌های CoT در سطح بندهای کوئری بهره می‌گیرد. چکیده در دادهٔ در دسترس پیش از توضیح کامل سازوکار دو مدل پایان می‌یابد. ادعای برتری مدل‌های کوچک متن‌باز بر مدل‌های بستهٔ پیشرفته نیز ادعای نویسندگان در یک پیش‌چاپ است.

این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.

منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗

پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست