La maggior parte dei sistemi text-to-SQL tratta il compito come traduzione. Feyn AI, startup YC-backed, lo riformula attorno all’ispezione: SQRL è una famiglia di modelli che, invece di generare subito una query, può interrogare il database in sola lettura per risolvere ambiguità e scrivere solo query che i dati supportano davvero.
Il punto di partenza è che una query può essere SQL perfettamente valido e restituire comunque la risposta sbagliata: join errati, colonne ambigue, filtri su valori inesistenti. Nessuno di questi errori solleva un’eccezione. Lo schema non basta: elenca tabelle, colonne e tipi, ma non dice se una contea è memorizzata come Alameda, Alameda County o ALAMEDA. L’informazione mancante, osserva Feyn, vive già dentro il database — al modello serve solo il permesso di chiederla.
Come funziona
SQRL riceve domanda, schema ed eventuale evidence. Se il contesto basta, restituisce subito la query; se resta ambiguità, esegue query read-only e usa le righe restituite per redigere la risposta finale. L’interazione usa due azioni: un blocco <sql> richiede un’osservazione, un blocco <answer> impegna la query definitiva. Il modello può ispezionare fino a cinque volte, ma la maggior parte delle domande si chiude prima.
Sui benchmark, Feyn riporta che il flagship SQRL-35B-A3B raggiunge il 70,6% di execution accuracy su BIRD Dev, sopra Claude Opus 4.6 al 68,77% nella stessa valutazione. Lo studente 9B tiene quasi tutto (69,80%) e il 4B arriva a 68,80%, abbastanza piccolo da girare ovunque mantenendo schema, query e osservazioni sulla propria infrastruttura. Nel confronto riportato, il campo frontier segue: Claude 4.5 Sonnet 67,34%, Qwen3-Coder-480B-A35B 66,17%, GLM-4.7 63,82%.
Sul training, il teacher 35B-A3B è stato addestrato con CISPO, metodo di reinforcement learning dal lavoro M1 di MiniMax, che clippa i pesi di importance-sampling invece del policy ratio. Per ogni domanda il modello produceva otto traiettorie complete, premiate in modo binario solo se la query finale restituiva il risultato di riferimento; l’addestramento si concentrava sulla “mixed zone” dove solo alcune delle otto riuscivano. Da lì sono stati distillati circa 10.200 esempi per gli studenti 4B e 9B. Tre checkpoint sono aperti su Hugging Face e si servono con vLLM tramite un harness read-only.
In sintesi
- SQRL esegue probe read-only per ispezionare il database prima di impegnare la query finale, fino a cinque volte.
- SQRL-35B-A3B tocca il 70,6% su BIRD Dev, sopra Claude Opus 4.6 (68,77%); i modelli 4B e 9B restano self-hostable.
- Training con CISPO e distillazione su circa 10.200 traiettorie; i checkpoint sono open su Hugging Face e girano con vLLM.
Fonte: Feyn AI Releases SQRL, a Text-to-SQL Model Family That Inspects the Database Before Writing a Query — marktechpost.com
Hai qualcosa da aggiungere? Unisciti alla discussione.