💻 computer science

Rose-SQL: Role-State Evolution Guided Structured Reasoning for Multi-Turn Text-to-SQL

Rose-SQL est un cadre sans entraînement qui exploite de petits modèles de raisonnement à grande échelle avec une nouvelle représentation Rôle-État pour guider le raisonnement structuré et résoudre avec précision les dépendances conversationnelles dans les tâches Text-to-SQL multi-tours, surpassant à la fois les bases d'apprentissage en contexte et les modèles affinés à l'état de l'art sur les benchmarks standards.

Auteurs originaux : Le Zhou, Feng Yao, Fengcai Qiao, Bo Xu, Fangyuan Wang, Boyan Xu

Publié 2026-05-06

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Le Zhou, Feng Yao, Fengcai Qiao, Bo Xu, Fangyuan Wang, Boyan Xu

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez d'enseigner à un assistant très intelligent, mais légèrement inexpérimenté, comment demander des informations à une base de données. La base de données est comme une immense bibliothèque contenant des millions de livres (tables) et des systèmes de classement spécifiques (schémas). Votre objectif est de traduire une conversation naturelle en une commande précise (SQL) que la bibliothèque peut comprendre.

L'article présente Rose-SQL, une nouvelle méthode permettant à ces assistants IA « à petite échelle » d'accomplir la tâche sans avoir besoin de retourner à l'école (affinage) ni de s'appuyer sur des modèles d'IA géants et coûteux.

Voici comment Rose-SQL fonctionne, décomposé en concepts et analogies simples :

1. Le Problème : La Conversation « Perdue dans la Traduction »

Dans la vie réelle, les conversations ne sont pas de simples questions isolées. Vous demandez : « Qui a gagné le match ? » puis vous poursuivez par : « Quel était leur score ? ». L'IA doit se souvenir de la première question pour répondre à la seconde.

Le Problème : Les petits modèles d'IA sont souvent confus. Ils peuvent oublier le contexte, mélanger les règles ou halluciner (inventer) des parties de la réponse parce qu'ils tentent de deviner directement la commande finale à partir de la conversation.
L'Ancienne Méthode : Les chercheurs essayaient généralement soit d'utiliser des modèles d'IA massifs et coûteux (comme un super-génie qui sait tout), soit de forcer les petits modèles à mémoriser des milliers d'exemples (affinage), ce qui est lent et coûteux.

2. La Solution : Le « Plan » (État-Rôle)

Rose-SQL introduit un intermédiaire ingénieux appelé État-Rôle.

L'Analogie : Imaginez que vous êtes architecte. Au lieu de demander à l'équipe de construction de « Construire une maison » (ce qui est vague), vous dessinez d'abord un plan.
Fonctionnement : Avant que l'IA n'écrive le code SQL final, elle remplit d'abord une simple liste de contrôle (l'État-Rôle). Cette liste demande : « Avons-nous besoin de Sélectionner des colonnes ? Avons-nous besoin de Joindre des tables ? Avons-nous besoin de Filtrer par une condition ? »
L'Avantage : Cela transforme une conversation complexe et désordonnée en une liste de contrôle structurée en 10 étapes. Cela force l'IA à s'arrêter et à réfléchir à la structure de la réponse avant d'écrire le code réel. C'est comme vérifier votre liste de bagages avant de fermer la valise.

3. La Stratégie : « Apprendre du Passé » (Trajectoires Évolutionnaires)

Les conversations changent. Parfois, vous ajoutez un nouveau filtre ; parfois, vous supprimez une condition. Rose-SQL ne se contente pas de deviner ; il recherche des modèles dans la façon dont la conversation a évolué.

L'Analogie : Pensez-y comme un détective examinant un dossier d'enquête. Si la question actuelle ressemble à une précédente dans les données d'entraînement, l'IA vérifie : « Comment avons-nous résolu celle-là ? »
La « Vérification d'Isomorphisme » : Le système compare le « plan » de la question actuelle avec le « plan » des questions passées. Si les changements structurels correspondent (par exemple : « Nous avons ajouté un filtre à l'étape précédente »), il utilise ce succès passé comme guide.
Le Résultat : Il filtre le « bruit » (les parties non pertinentes de la discussion) et ne conserve que les étapes logiques qui comptent vraiment. C'est comme un GPS qui dit : « Nous avons pris un virage à gauche la dernière fois pour éviter les embouteillages ; faisons de même », plutôt que de conduire au hasard.

4. Le Processus : Une Danse en Trois Étapes

Rose-SQL guide l'IA à travers trois phases spécifiques :

Analyse de Dépendance : L'IA se demande : « Cette nouvelle question a-t-elle réellement besoin des anciennes questions pour avoir du sens, ou s'agit-il d'un nouveau sujet ? » Elle sépare l'historique utile des bavardages conversationnels.
Recherche de Trajectoire Évolutionnaire : Elle trouve une conversation « jumelle » dans ses données d'entraînement qui a évolué de la même manière et vérifie si le plan structurel correspond.
Raisonnement Hiérarchique Augmenté : Enfin, elle combine le plan, l'historique et les règles de la base de données pour écrire le SQL. Elle construit la réponse étape par étape : d'abord le plan (le plan), puis le code.

5. Les Résultats : Petits Modèles, Grandes Victoires

L'article a testé cette méthode sur des benchmarks standards (SParC et CoSQL).

La Surprise : Ils ont utilisé de petits modèles d'IA (de 4 à 14 milliards de paramètres) qui n'ont pas été reentraînés ou affinés.
Le Résultat : En utilisant cette méthode de « plan et correspondance de modèles », ces petits modèles ont mieux performé que des modèles beaucoup plus grands et affinés.
La Conclusion : Vous n'avez pas toujours besoin d'un cerveau plus grand ; vous avez juste besoin d'une meilleure façon d'organiser vos pensées. Rose-SQL offre aux petits modèles une manière structurée de penser, leur permettant de dépasser leur catégorie de poids.

Résumé

Rose-SQL revient à donner à un employé junior une liste de contrôle structurée et un manuel de référence des projets passés réussis avant qu'il ne commence une tâche complexe. Au lieu de deviner la réponse finale, il planifie d'abord la structure, vérifie si son plan correspond à la façon dont des problèmes similaires ont été résolus auparavant, puis exécute. Cela permet à de petits modèles d'IA efficaces de gérer des conversations complexes à plusieurs tours avec une grande précision, sans avoir besoin d'un entraînement coûteux.

Résumé Technique : Rose-SQL

Énoncé du Problème

La conversion Texte-vers-SQL multi-tours est une tâche fondamentale d'analyse sémantique exigeant que les modèles traduisent des dialogues en langage naturel en requêtes SQL exécutables sur un schéma de base de données. Bien que les Modèles de Raisonnement à Grande Échelle (LRM) entraînés avec des Chaînes de Pensée Longues (CoT) aient montré des promesses dans la génération de code et le raisonnement mathématique, leur application à la conversion Texte-vers-SQL multi-tours reste sous-explorée. Les approches existantes font face à une dichotomie :

Apprentissage en Contexte (ICL) avec de Grands Modèles Propriétaires : Des méthodes comme ACT-SQL et CoE-SQL reposent sur des API coûteuses (par exemple, GPT-3.5) et sont sensibles à la qualité des invites, éprouvant souvent des difficultés avec des contextes historiques bruyants ou ambigus.
Petits Modèles Affinés : Des approches comme Track-SQL et RASAT utilisent un affinage spécifique à la tâche et des architectures spécialisées (par exemple, des structures de graphes) pour gérer le contexte. Cependant, ces méthodes sont intensives en entraînement, coûteuses à adapter et nécessitent souvent des modules auxiliaires pour le lien de schéma ou le suivi de l'intention.

Le défi central réside dans la capacité à permettre à des LRM open-source de petite échelle d'effectuer un raisonnement multi-tours efficace purement par apprentissage en contexte. Ces modèles manquent souvent des biais inductifs nécessaires pour gérer des contextes de dialogue évolutifs, conduisant à des interprétations erronées des dépendances contextuelles et à des échecs dans la capture des sémantiques de requêtes compositionnelles.

Méthodologie : Rose-SQL

Rose-SQL est un cadre sans entraînement conçu pour adapter des LRM de petite échelle au parsing dépendant du contexte sans affinage spécifique à la tâche. Il exploite l'apprentissage en contexte grâce à un processus de raisonnement structuré en trois phases, centré sur une nouvelle représentation intermédiaire appelée État-Rôle.

1. État-Rôle : Un Plan Structurel

Pour combler le fossé entre le lien de schéma et la génération SQL, Rose-SQL introduit l'État-Rôle, une représentation fine qui découple l'intention sémantique de l'exécution syntaxique.

Définition : L'État-Rôle est un vecteur indicateur binaire à 10 dimensions ( $v \in \{0, 1\}^{10}$ ) qui mappe explicitement les entités du langage naturel vers des rôles SQL fonctionnels : select, join, condition, group, order, union, except, intersect, in, et not in.
Fonction : Il sert de plan structurel, permettant au modèle de vérifier la cohérence structurelle à travers les tours de dialogue via des vérifications d'isomorphisme structurel. Cette forme numérisée fournit une base calculable pour comparer les transitions historiques avec l'interaction actuelle.

2. Cadre de Raisonnement en Trois Phases

Rose-SQL opère à travers trois phases synergiques pour gérer la dynamique du dialogue :

Phase 1 : Analyse de la Dépendance de Gain (GDA)
Cette phase quantifie l'influence contextuelle des énoncés historiques pour distinguer le gain d'information substantiel du bruit conversationnel.
- Les questions sont réécrites en utilisant le schéma M pour réduire la dépendance au contexte.
- Force de Dépendance ( $S_i$ ) : Mesurée via la réduction normalisée de la perplexité pour déterminer dans quelle mesure un tour historique aide la question actuelle.
- Distance de Dépendance ( $D_i$ ) : Attribue des poids basés sur la proximité temporelle.
- Le Score de Dépendance de Gain (GDS) final filtre les candidats pour l'analogie structurelle.
Phase 2 : Recherche de Trajectoires Évolutives
Cette phase identifie des motifs d'interaction historiques qui sont à la fois sémantiquement pertinents et structurellement analogues au dialogue actuel.
- Le système récupère des dialogues d'entraînement candidats avec des échelles de schéma compatibles et des empreintes de dépendance.
- Il localise le tour historique le plus sémantiquement similaire et sa dépendance la plus forte.
- Vérification d'Isomorphisme : Une transition candidate n'est conservée que si l'État-Rôle numérisé de l'ancre historique est isomorphe à celui de l'ancre contextuelle actuelle. Cela garantit que la trajectoire récupérée est une référence logiquement valide pour la composition SQL actuelle.
Phase 3 : Raisonnement Hiérarchique Augmenté
Le modèle est guidé pour générer du SQL via un processus de déduction stabilisé plutôt que par une génération directe.
- Entrées : L'invite inclut l'instruction de la tâche, le schéma de la base de données, la question actuelle, les Ancres Contextuelles (se concentrant sur l'histoire pertinente), les Trajectoires Évolutives Vérifiées (fournissant une guidance structurelle) et l'Injection de Connaissance des Rôles (exemplaires atomiques des rôles SQL).
- Processus : Le modèle infère d'abord le plan structurel intermédiaire et l'État-Rôle, puis génère le SQL exécutable final. Cette approche hiérarchique réduit l'écart structurel entre la compréhension sémantique et la réalisation SQL.

Contributions Clés

Cadre Rose-SQL : Un paradigme sans entraînement qui exploite le mécanisme État-Rôle pour découpler la cartographie sémantique de la génération syntaxique, fournissant une cible intermédiaire structurée pour les LRM de petite échelle.
Stratégie de Guidance Évolutif : Une approche novatrice intégrant l'Analyse de la Dépendance de Gain avec des vérifications d'isomorphisme structurel. Cela atténue le bruit contextuel en vérifiant la cohérence logique de l'évolution du dialogue pour inférer la composition SQL possible.
Raisonnement Hiérarchique Augmenté : Un paradigme qui stabilise le processus de déduction via des trajectoires vérifiées et des ancres contextuelles, atteignant des performances de pointe sans affinage.

Résultats Expérimentaux

Les expériences ont été menées sur les benchmarks SParC et CoSQL en utilisant la série Qwen3 (4B, 8B, 14B paramètres) et d'autres architectures de base supplémentaires (DeepSeek-R1-Distill-Llama-8B, gpt-oss-20b).

Gains de Performance : Rose-SQL surpasse significativement les bases de référence d'apprentissage en contexte. Au sein de la série Qwen3, le modèle 4B avec Rose-SQL atteint une parité de performance avec la base de référence 8B. Les modèles 8B et 14B surpassent largement les modèles affinés de pointe (par exemple, Track-SQL) sur les deux benchmarks.
- Sur SParC (Dev), Rose-SQL (8B) atteint 78,72 % de Correspondance d'Interaction (IM) et 62,56 % de Précision d'Exécution (EX), surpassant le Track-SQL affiné (IM : 75,39 %, EX : 57,81 %).
Robustesse : Le cadre démontre des gains constants à travers différentes échelles de modèles et architectures de raisonnement, indiquant que la guidance structurelle est transférable et ne dépend pas d'une famille de modèles spécifique.
Études d'Ablation :
- État-Rôle : Introduit une cible intermédiaire structurelle, améliorant significativement les métriques basées sur l'exécution (EX, TS).
- Injection de Connaissance des Rôles : Améliore les scores de correspondance exacte (EM) en fournissant des priors au niveau des rôles atomiques.
- Trajectoires Évolutives et Ancres Contextuelles : Cruciales pour modéliser l'évolution du dialogue et filtrer le bruit historique, améliorant la cohérence inter-tours.
- Quantité de Trajectoires : Une performance optimale est atteinte avec un nombre contrôlé de trajectoires (N=2 pour SParC, N=1 pour CoSQL) ; un nombre trop élevé introduit de l'ambiguïté.

Importance et Revendications

L'article revendique que Rose-SQL adresse le désalignement structurel et le bruit contextuel inhérents aux tâches de conversion Texte-vers-SQL multi-tours sans le coût de l'affinage. En introduisant l'État-Rôle comme un espace structurel explicite, le cadre permet aux modèles de raisonnement de petite échelle de raisonner sur des transitions structurelles vérifiables plutôt que de s'appuyer uniquement sur l'histoire conversationnelle brute.

Les auteurs affirment que Rose-SQL fournit un chemin plus stable de l'intention en langage naturel multi-tours vers la génération de SQL exécutable. Les résultats suggèrent que l'efficacité du cadre découle de son mécanisme de guidance structurelle plutôt que d'une simple mise à l'échelle du modèle, permettant aux petits modèles open-source de rivaliser avec ou de surpasser des modèles plus grands, affinés ou propriétaires.

Limitations : Les auteurs reconnaissent trois limitations : (1) la Sparsité de la Recherche Structurelle pour les motifs de dialogue rares ; (2) l'Expressivité de l'État-Rôle, qui peut ne pas couvrir entièrement les structures SQL complexes de domaine ouvert ; et (3) la Surcharge d'Inférence due à l'augmentation de la longueur des invites provenant des trajectoires récupérées. Les travaux futurs visent à adresser la recherche sparse et à améliorer l'efficacité du raisonnement.