OmniSQL

Superar la brecha entre las preguntas en lenguaje natural y las consultas estructuradas a bases de datos puede ser un obstáculo importante. Necesita una forma fiable de traducir la intención del usuario en SQL preciso, especialmente cuando se trata de bases de datos complejas y expresiones diversas. OmniSQL ofrece una familia de modelos sofisticados de texto a SQL, construidos sobre un conjunto de datos sintéticos extenso y de alta calidad, diseñados para ayudarle a lograr precisamente eso.

Desarrollado utilizando un novedoso marco de síntesis automática de datos, OmniSQL aprovecha el conjunto de datos SynSQL-2.5M. Este conjunto de datos fundamental contiene más de 2,5 millones de muestras de texto a SQL en más de 16.000 bases de datos, lo que proporciona la escala y la diversidad necesarias para entrenar modelos altamente capaces. Los modelos OmniSQL, disponibles en tamaños de parámetros de 7B, 14B y 32B, se afinan aún más en puntos de referencia establecidos como Spider y BIRD, integrando datos etiquetados por humanos para mejorar la calidad.

Características y Componentes Clave

• 📊 Múltiples Tamaños de Modelo: Seleccione el modelo OmniSQL (7B, 14B, 32B) que mejor se adapte a sus recursos computacionales y requisitos de rendimiento. Cada modelo está afinado para ofrecer sólidas capacidades de texto a SQL.

• 📚 Conjunto de Datos de Entrenamiento Masivo (SynSQL-2.5M): Benefíciese de los modelos entrenados en más de 2,5 millones de muestras diversas de texto a SQL, que cubren 16.583 bases de datos sintéticas en varios dominios y niveles de complejidad de SQL (desde simples hasta altamente complejos).

• 🧠 Integración de Cadena de Pensamiento (CoT): Cada muestra en SynSQL-2.5M incluye una solución CoT, lo que permite a los modelos aprender pasos de razonamiento para generar consultas complejas.

• 📈 Alto Rendimiento Demostrado: Los modelos OmniSQL muestran resultados sólidos en numerosos puntos de referencia de texto a SQL (incluidos Spider, BIRD, Spider-DK, Spider-Syn), a menudo superando el rendimiento de otros modelos de escala similar e incluso de modelos propietarios más grandes en conjuntos de datos específicos, basándose en las métricas de Precisión de Ejecución (EX) y Precisión de Conjunto de Pruebas (TS). Consulte la tabla de rendimiento completa para obtener más detalles.

• 🔧 Marco de Síntesis de Código Abierto: Acceda al marco subyacente utilizado para crear SynSQL-2.5M, lo que le permite generar conjuntos de datos personalizados de texto a SQL a gran escala adaptados a dominios específicos o dialectos SQL más allá de SQLite.

• 💻 Fácil Integración: Comience rápidamente utilizando herramientas familiares como vLLM y Hugging Face Transformers con fragmentos de código proporcionados y plantillas de solicitud claras.

Casos de Uso

1. Para Analistas y Científicos de Datos: Recibe frecuentes solicitudes de datos ad-hoc formuladas en lenguaje natural. En lugar de escribir SQL manualmente cada vez, puede utilizar OmniSQL para generar rápidamente consultas SQLite precisas a partir de preguntas como "Muéstrame el valor medio de los pedidos de los clientes en California el último trimestre" o "Enumera los 5 productos más vendidos en la región de la UE este año, junto con sus ingresos totales". Esto acelera la exploración de datos y la generación de informes.

2. Para Investigadores de PNL: Está investigando los desafíos de la traducción compleja de texto a SQL. Puede utilizar el conjunto de datos SynSQL-2.5M, con su vasta escala, diversos estilos lingüísticos, variadas complejidades de SQL y razonamiento CoT incluido, como un recurso integral para entrenar, evaluar y analizar nuevos modelos o técnicas. También puede aprovechar el marco de síntesis de datos de código abierto para explorar variaciones o extensiones.

3. Para Desarrolladores de Aplicaciones: Su objetivo es construir una característica de aplicación que permita a los usuarios no técnicos consultar una base de datos utilizando lenguaje natural. Puede integrar un modelo OmniSQL (por ejemplo, OmniSQL-7B para la eficiencia de los recursos) en su backend. Utilizando la estructura de solicitud proporcionada, su aplicación puede tomar la pregunta de un usuario (por ejemplo, "¿Qué tickets de soporte se abrieron ayer y aún no se han resuelto?") y pasarla, junto con el esquema de la base de datos SQLite relevante, a OmniSQL para obtener una consulta SQL ejecutable.

Conclusión

OmniSQL, impulsado por el conjunto de datos a gran escala SynSQL-2.5M, proporciona una solución robusta y de alto rendimiento para tareas de texto a SQL. Ya sea que esté analizando datos, realizando investigaciones o construyendo aplicaciones, OmniSQL ofrece modelos capaces construidos sobre una base de datos diversa y de alta calidad. La disponibilidad de múltiples tamaños de modelo, un sólido rendimiento de referencia y la naturaleza de código abierto del marco de síntesis lo convierten en un activo valioso para cualquiera que trabaje en la intersección del lenguaje natural y las bases de datos.