A automação de conversão de texto para SQL ainda é uma grande tarefa e existem muito poucos bons modelos de código aberto para essa tarefa. Vamos detalhar isso - >Os modelos de conversão de texto para SQL são basicamente nada além de modelos de codificador-decodificador com uma camada de atenção múltipla e uma camada de vinculação de esquema no meio. > O codificador processa a consulta do usuário e o esquema de banco de dados e gera inserções contextuais (codificação com reconhecimento de relação) >Por meio da vinculação de esquema, os tokens na consulta são alinhados com as entidades de esquema correspondentes >O mecanismo de atenção com reconhecimento de esquema permite que o modelo se concentre em partes relevantes do esquema durante a decodificação > O decodificador produz sequencialmente tokens SQL (decodificação baseada em restrição) Onde esses modelos faltam? - >A maioria dos modelos disponíveis não possui consultas complexas nos próprios dados de treinamento e, portanto, tem um desempenho ruim em consultas entre domínios ou em loop. > requisito de idioma e consulta nem sempre está correto para um usuário normal. Mesmo erros de ortografia levam à entrada errada e causam problemas durante a recuperação, portanto, a solicitação é uma parte importante dessa tarefa. Eu pessoalmente trabalhei nisso em detalhes quando estava fazendo um projeto de ponta a ponta, até fiz um dado sintético e tentei treinar meu próprio SLM, mas falhei miseravelmente e depois passei a usar um modelo de código aberto. Se você quiser se aprofundar nisso, eu recomendaria ler esses trabalhos de pesquisa primeiro - >LLM Geração aprimorada de texto para SQL >Interfaces de banco de dados de última geração: >Análise de texto para SQL: conceitos e métodos >RASAT: Integrando estruturas relacionais no modelo Seq2Seq pré-treinado