由MotherDuck和Numbers Station制作的70亿参数文本转SQL模型。

7b

26.2K 10个月前

自述文件

duckdb-nsql model

DuckDB-NSQL是一个70亿参数的文本转SQL模型,专门设计用于SQL生成任务。

该模型基于Meta最初的Llama-2 7B模型,并在通用SQL查询数据集上进行了进一步预训练,然后在由DuckDB文本转SQL对组成的数据集上进行了微调。

用法

示例提示

Provided this schema:

CREATE TABLE taxi (
    VendorID bigint,
    tpep_pickup_datetime timestamp,
    tpep_dropoff_datetime timestamp,
    passenger_count double,
    trip_distance double,
    fare_amount double,
    extra double,
    tip_amount double,
    tolls_amount double,
    improvement_surcharge double,
    total_amount double,
);

Give me taxis with more than 2 passengers

示例输出

SELECT * FROM taxi WHERE passenger_count > 2

设置系统提示

此模型需要系统提示中输入的模式作为输入。

/set system """Here is the database schema that the SQL query will run on:
CREATE TABLE taxi (
    VendorID bigint,
    tpep_pickup_datetime timestamp,
    tpep_dropoff_datetime timestamp,
    passenger_count double,
    trip_distance double,
    fare_amount double,
    extra double,
    tip_amount double,
    tolls_amount double,
    improvement_surcharge double,
    total_amount double,
);"""

在系统提示中提供模式后,模型将在后续响应中使用它。

对于以下提示

get all columns ending with _amount from taxi table

模型将输出类似这样的内容

SELECT COLUMNS('.*_amount') FROM taxi;

API示例

$ curl https://127.0.0.1:11434/api/generate -d '{
    "model": "duckdb-nsql:7b-q4_0",
    "system": "Here is the database schema that the SQL query will run on: CREATE TABLE taxi (VendorID bigint, tpep_pickup_datetime timestamp, tpep_dropoff_datetime timestamp, passenger_count double, trip_distance double, fare_amount double, extra double, tip_amount double, tolls_amount double, improvement_surcharge double, total_amount double,);",
    "prompt": "get all columns ending with _amount from taxi table"
}'

Python库示例

pip install ollama
import ollama

r = ollama.generate(
    model='duckdb-nsql:7b-q4_0',
    system='''Here is the database schema that the SQL query will run on:
CREATE TABLE taxi (
    VendorID bigint,
    tpep_pickup_datetime timestamp,
    tpep_dropoff_datetime timestamp,
    passenger_count double,
    trip_distance double,
    fare_amount double,
    extra double,
    tip_amount double,
    tolls_amount double,
    improvement_surcharge double,
    total_amount double,
);''',
    prompt='get all columns ending with _amount from taxi table',
)

print(r['response'])

训练数据

20万个DuckDB文本转SQL对,使用Mixtral-8x7B-Instruct-v0.1合成生成,并以DuckDB v0.9.2文档为指导。以及来自NSText2SQL的文本转SQL对,这些对使用sqlglot转换为DuckDB SQL。

训练过程

DuckDB-NSQL使用交叉熵损失进行训练,以最大化顺序输入的可能性。对于文本转SQL对的微调,我们只计算对中SQL部分的损失。该模型使用80GB A100进行训练,利用数据和模型并行化。我们进行了10个epoch的微调。

预期用途和局限性

该模型设计用于根据给定的表模式和自然语言提示生成文本转SQL。该模型最适合下面定义的提示格式和输出。与现有的文本转SQL模型相比,SQL生成不受限于SELECT语句,而是可以生成任何有效的DuckDB SQL语句,包括官方DuckDB扩展的语句。

参考文献

Hugging Face