AIが質問からデータ検索。先にDB確認

ほとんどのtext-to-SQLシステムは、このタスクを翻訳として扱います。Feyn AI（YCが支援するスタートアップ）は、これを検査を中心に再構築しました。Feynチームは、自然言語の質問をSQLに変換するモデルファミリーであるSQRLをリリースしました。SQRLは、すぐにクエリを生成するのではなく、まずデータベースを検査できます。これにより、あいまいさを解消し、データが実際にサポートするクエリのみを作成できます。Feynチームは、主力モデルであるSQRL-35B-A3BがBIRD Devで70.6%の実行精度を達成したと報告しています。この数値は、同じ評価でClaude Opus 4.6の68.77%を上回ります。3つのチェックポイントがHugging Faceで公開されています：SQRL-4B、SQRL-9B、SQRL-35B-A3B。 クエリは有効なSQLであっても間違っている可能性がある text-to-SQLはしばしば翻訳問題として説明されますが、その枠組みでは最も難しい部分を見落としています。クエリは完全に有効なSQLであっても、間違った結果を返す可能性があります。間違ったテーブルを結合したり、あいまいな列を誤って読み取ったり、存在しない値をフィルタリングしたりすることがあります。これらの間違いはどれもエラーをスローしないため、実行だけでは検出されません。Schema情報もこれらを防ぐことはできません。Schemaはテーブル、列、型、そして時にはリレーションシップをリストアップします。しかし、郡がAlameda、Alameda County、またはALAMEDAとして保存されているかどうかは示しません。どの結合が重複行を生成するかを教えることもできません。BIRDベンチマークは、これらの失敗を測定可能にします。そのデータベースは実際のドメインにまたがり、不完全な値、あいまいな列、および自明ではないリレーションシップを含んでいます。システムは、そのSQLを実行し、返された行を参照結果と比較することによってスコアが付けられます。クエリ言語の場合、構文の正確さだけでは不十分です。Feynの核心的な洞察は、不足している情報がすでにデータベース内に存在するという点です。モデルは単にそれを要求する許可を必要とするだけです。 SQRLは回答する前に検査する SQRLは質問、そのSchema、およびデータベースに関するオプションの証拠を受け取ります。そのコンテキストで十分な場合、すぐにクエリを返します。何かが曖昧なままである場合、読み取り専用クエリを実行し、返された行を使用します。