Spider 2.0: Evaluating Language Models on Real-World Enterprise Text-to-SQL Workflows

要約

実際の企業のテキストから SQL へのワークフローには、多くの場合、さまざまなデータベース システムにわたる複雑なクラウドまたはローカル データ、さまざまな言語での複数の SQL クエリ、およびデータ変換から分析に至る多様な操作が含まれます。
Spider 2.0 は、エンタープライズ レベルのデータベースの使用例から派生した、実際のテキストから SQL へのワークフロー 632 の問題で構成される評価フレームワークです。
Spider 2.0 のデータベースは実際のデータ アプリケーションをソースとしており、多くの場合 1,000 を超える列が含まれており、ローカルまたは BigQuery や Snowflake などのクラウド データベース システムに保存されています。
Spider 2.0 の問題を解決するには、データベースのメタデータ、方言ドキュメント、さらにはプロジェクト レベルのコードベースを理解して検索する必要が頻繁にあることを示します。
この課題では、モデルが複雑な SQL ワークフロー環境と対話し、非常に長いコンテキストを処理し、複雑な推論を実行し、さまざまな操作で複数の SQL クエリを生成する必要があり、多くの場合 100 行を超えます。これは、従来のテキストから SQL への課題をはるかに超えています。
私たちの評価によると、o1-preview に基づくと、コード エージェント フレームワークはタスクの 17.0% しか正常に解決できませんでしたが、Spider 1.0 では 91.2%、BIRD では 73.0% でした。
Spider 2.0 に関する私たちの結果は、言語モデルがコード生成、特に以前のテキストから SQL へのベンチマークで顕著なパフォーマンスを示している一方で、実際の企業での使用に十分なパフォーマンスを達成するには、大幅な改善が必要であることを示しています。
Spider 2.0 の進歩は、現実世界の企業環境向けのインテリジェントで自律的なコード エージェントの開発に向けた重要なステップを表しています。
コード、ベースライン モデル、データは https://spider2-sql.github.io で入手できます。

要約(オリジナル)

Real-world enterprise text-to-SQL workflows often involve complex cloud or local data across various database systems, multiple SQL queries in various dialects, and diverse operations from data transformation to analytics. We introduce Spider 2.0, an evaluation framework comprising 632 real-world text-to-SQL workflow problems derived from enterprise-level database use cases. The databases in Spider 2.0 are sourced from real data applications, often containing over 1,000 columns and stored in local or cloud database systems such as BigQuery and Snowflake. We show that solving problems in Spider 2.0 frequently requires understanding and searching through database metadata, dialect documentation, and even project-level codebases. This challenge calls for models to interact with complex SQL workflow environments, process extremely long contexts, perform intricate reasoning, and generate multiple SQL queries with diverse operations, often exceeding 100 lines, which goes far beyond traditional text-to-SQL challenges. Our evaluations indicate that based on o1-preview, our code agent framework successfully solves only 17.0% of the tasks, compared with 91.2% on Spider 1.0 and 73.0% on BIRD. Our results on Spider 2.0 show that while language models have demonstrated remarkable performance in code generation — especially in prior text-to-SQL benchmarks — they require significant improvement in order to achieve adequate performance for real-world enterprise usage. Progress on Spider 2.0 represents crucial steps towards developing intelligent, autonomous, code agents for real-world enterprise settings. Our code, baseline models, and data are available at https://spider2-sql.github.io.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google