💻 computer science

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

Rose-SQL é um framework sem treinamento que aproveita Modelos de Raciocínio de Grande Escala de pequena dimensão com uma representação inovadora de Estado-Papel para guiar o raciocínio estruturado e resolver com precisão dependências conversacionais em tarefas de Texto-para-SQL multi-turno, superando tanto as linhas de base de aprendizado em contexto quanto os modelos ajustados com fine-tuning mais avançados em benchmarks padrão.

Autores originais: Le Zhou, Feng Yao, Fengcai Qiao, Bo Xu, Fangyuan Wang, Boyan Xu

Publicado 2026-05-06

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Le Zhou, Feng Yao, Fengcai Qiao, Bo Xu, Fangyuan Wang, Boyan Xu

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está tentando ensinar um assistente muito inteligente, mas ligeiramente inexperiente, a como solicitar informações a um banco de dados. O banco de dados é como uma biblioteca massiva com milhões de livros (tabelas) e sistemas de arquivamento específicos (esquemas). Seu objetivo é traduzir uma conversa natural em um comando preciso (SQL) que a biblioteca possa entender.

O artigo apresenta Rose-SQL, uma nova maneira de ajudar esses assistentes de IA de "pequena escala" a realizar o trabalho sem precisar voltar à escola (ajuste fino) ou depender de modelos de IA gigantes e caros.

Veja como o Rose-SQL funciona, decomposto em conceitos e analogias simples:

1. O Problema: A Conversa "Perdida na Tradução"

Na vida real, as conversas não são apenas perguntas isoladas. Você pergunta: "Quem ganhou o jogo?" e depois segue com: "Qual foi a pontuação deles?". A IA precisa lembrar a primeira pergunta para responder à segunda.

O Problema: Modelos de IA pequenos frequentemente ficam confusos. Eles podem esquecer o contexto, misturar as regras ou alucinar (inventar) partes da resposta porque estão tentando adivinhar o comando final diretamente da conversa.
O Jeito Antigo: Os pesquisadores geralmente tentavam usar modelos de IA massivos e caros (como um supergênio que sabe tudo) ou forçar os modelos pequenos a memorizarem milhares de exemplos (ajuste fino), o que é lento e custoso.

2. A Solução: O "Projeto" (Estado de Função)

O Rose-SQL introduz um intermediário inteligente chamado Estado de Função.

A Analogia: Imagine que você é um arquiteto. Em vez de pedir à equipe de construção para "Construir uma casa" (o que é vago), você primeiro desenha um projeto.
Como funciona: Antes de a IA escrever o código SQL final, ela primeiro preenche uma lista de verificação simples (o Estado de Função). Essa lista pergunta: "Precisamos Selecionar colunas? Precisamos Juntar tabelas? Precisamos Filtrar por uma condição?"
O Benefício: Isso transforma uma conversa complexa e bagunçada em uma lista de verificação estruturada de 10 etapas. Isso força a IA a pausar e pensar sobre a estrutura da resposta antes de escrever o código real. É como verificar sua lista de malas antes de fechar a mala.

3. A Estratégia: "Aprendendo com o Passado" (Trajetórias Evolutivas)

As conversas mudam. Às vezes você adiciona um novo filtro; às vezes remove uma condição. O Rose-SQL não apenas adivinha; ele procura padrões em como a conversa evoluiu.

A Analogia: Pense nisso como um detetive examinando um arquivo de caso. Se a pergunta atual for semelhante a uma anterior nos dados de treinamento, a IA verifica: "Como resolvemos aquela?"
A "Verificação de Isomorfismo": O sistema compara o "projeto" da pergunta atual com o "projeto" de perguntas passadas. Se as mudanças estruturais corresponderem (por exemplo, "Adicionamos um filtro no último passo"), ele usa aquele sucesso passado como guia.
O Resultado: Ele filtra o "ruído" (partes irrelevantes do bate-papo) e mantém apenas as etapas lógicas que realmente importam. É como um GPS que diz: "Demos uma volta à esquerda da última vez para evitar o trânsito; vamos fazer isso de novo", em vez de apenas dirigir aleatoriamente.

4. O Processo: Uma Dança de Três Passos

O Rose-SQL guia a IA através de três fases específicas:

Análise de Dependência de Ganho: A IA pergunta: "Esta nova pergunta realmente precisa das perguntas antigas para fazer sentido, ou é um novo tópico?" Ela separa a história útil da conversa fiada.
Busca de Trajetória Evolutiva: Ela encontra uma conversa "gêmea" em seus dados de treinamento que evoluiu da mesma maneira e verifica se o projeto estrutural corresponde.
Raciocínio Hierárquico Aumentado: Finalmente, ela combina o projeto, a história e as regras do banco de dados para escrever o SQL. Ela constrói a resposta passo a passo: primeiro o plano (projeto), depois o código.

5. Os Resultados: Modelos Pequenos, Grandes Vitórias

O artigo testou isso em benchmarks padrão (SParC e CoSQL).

A Surpresa: Eles usaram modelos de IA pequenos (de 4 bilhões a 14 bilhões de parâmetros) que não foram re treinados ou ajustados finamente.
O Resultado: Ao usar este método de "projeto e correspondência de padrões", esses modelos pequenos tiveram um desempenho melhor do que modelos muito maiores e ajustados finamente.
A Conclusão: Nem sempre você precisa de um cérebro maior; você apenas precisa de uma melhor maneira de organizar seus pensamentos. O Rose-SQL dá aos modelos pequenos uma maneira estruturada de pensar, permitindo que eles superem sua própria categoria de peso.

Resumo

O Rose-SQL é como dar a um funcionário júnior uma lista de verificação estruturada e um manual de referência de projetos passados bem-sucedidos antes de começarem uma tarefa complexa. Em vez de adivinhar a resposta final, eles primeiro planejam a estrutura, verificam se seu plano corresponde a como problemas semelhantes foram resolvidos antes e, em seguida, executam. Isso permite que modelos de IA pequenos e eficientes lidem com conversas complexas de múltiplas voltas com alta precisão, sem necessidade de treinamento caro.

Resumo Técnico: Rose-SQL

Declaração do Problema

Text-to-SQL multi-turno é uma tarefa fundamental de análise semântica que exige que modelos traduzam diálogos em linguagem natural em consultas SQL executáveis sobre um esquema de banco de dados. Embora Modelos de Raciocínio de Grande Escala (LRMs) treinados com Cadeia de Pensamento Longa (CoT) tenham mostrado promessa na geração de código e no raciocínio matemático, sua aplicação ao Text-to-SQL multi-turno permanece pouco explorada. As abordagens existentes enfrentam uma dicotomia:

Aprendizado em Contexto (ICL) com Grandes Modelos Proprietários: Métodos como ACT-SQL e CoE-SQL dependem de APIs caras (por exemplo, GPT-3.5) e são sensíveis à qualidade do prompt, muitas vezes lutando com contextos históricos ruidosos ou ambíguos.
Modelos Pequenos Ajustados (Fine-Tuned): Abordagens como Track-SQL e RASAT utilizam ajuste específico para a tarefa e arquiteturas especializadas (por exemplo, estruturas de grafos) para lidar com o contexto. No entanto, esses métodos são intensivos em treinamento, custosos para adaptar e frequentemente exigem módulos auxiliares para vinculação de esquema ou rastreamento de intenção.

O desafio central reside em permitir que LRMs de pequena escala e código aberto realizem raciocínio multi-turno eficaz puramente por meio de aprendizado em contexto. Esses modelos frequentemente carecem de vieses indutivos para gerenciar contextos de diálogo em evolução, levando a interpretações equivocadas de dependências contextuais e falhas na captura de semântica de consultas composicionais.

Metodologia: Rose-SQL

Rose-SQL é uma estrutura sem treinamento projetada para adaptar LRMs de pequena escala para análise dependente de contexto sem ajuste específico para a tarefa. Ela aproveita o aprendizado em contexto por meio de um processo de raciocínio estruturado em três fases, centrado em uma nova representação intermediária chamada Estado de Função (Role-State).

1. Estado de Função: Um Plano Estrutural

Para bridar a lacuna entre a vinculação de esquema e a geração de SQL, Rose-SQL introduz o Estado de Função, uma representação de granularidade fina que desacopla a intenção semântica da execução sintática.

Definição: O Estado de Função é um vetor indicador binário de 10 dimensões ( $v \in \{0, 1\}^{10}$ ) que mapeia explicitamente entidades em linguagem natural para funções SQL funcionais: select, join, condition, group, order, union, except, intersect, in e not in.
Função: Serve como um plano estrutural, permitindo que o modelo verifique a consistência estrutural entre as voltas do diálogo por meio de verificações de isomorfismo estrutural. Essa forma digitalizada fornece uma base computável para comparar transições históricas com a interação atual.

2. Estrutura de Raciocínio em Três Fases

Rose-SQL opera através de três fases sinérgicas para gerenciar a dinâmica do diálogo:

Fase 1: Análise de Ganho de Dependência (GDA)
Esta fase quantifica a influência contextual de enunciados históricos para distinguir ganho de informação substancial de ruído conversacional.
- Perguntas são reescritas usando o esquema M para reduzir a dependência de contexto.
- Força de Dependência ( $S_i$ ): Medida via redução normalizada de perplexidade para determinar o quanto uma volta histórica auxilia a pergunta atual.
- Distância de Dependência ( $D_i$ ): Atribui pesos com base na proximidade temporal.
- A Pontuação Final de Ganho de Dependência (GDS) filtra candidatos para analogia estrutural.
Fase 2: Busca de Trajetória Evolutiva
Esta fase identifica padrões de interação históricos que são semanticamente relevantes e estruturalmente análogos ao diálogo atual.
- O sistema recupera diálogos de treinamento candidatos com escalas de esquema compatíveis e pegadas de dependência.
- Localiza a volta histórica semanticamente mais similar e sua dependência mais forte.
- Verificação de Isomorfismo: Uma transição candidata é mantida apenas se o Estado de Função digitalizado da âncora histórica for isomórfico ao da âncora contextual atual. Isso garante que a trajetória recuperada seja uma referência logicamente válida para a composição SQL atual.
Fase 3: Raciocínio Hierárquico Aumentado
O modelo é guiado a gerar SQL através de um processo de dedução estabilizado, em vez de geração direta.
- Entradas: O prompt inclui a instrução da tarefa, o esquema do banco de dados, a pergunta atual, Âncoras Contextuais (focando em histórico relevante), Trajetórias Evolutivas Verificadas (fornecendo orientação estrutural) e Injeção de Conhecimento de Função (exemplares atômicos de funções SQL).
- Processo: O modelo primeiro infere o plano estrutural intermediário e o Estado de Função, depois gera o SQL final executável. Essa abordagem hierárquica reduz a lacuna estrutural entre a compreensão semântica e a realização do SQL.

Contribuições Principais

Estrutura Rose-SQL: Um paradigma sem treinamento que aproveita o mecanismo de Estado de Função para desacoplar o mapeamento semântico da geração sintática, fornecendo um alvo intermediário estruturado para LRMs de pequena escala.
Estratégia de Orientação Evolutiva: Uma abordagem inovadora que integra Análise de Ganho de Dependência com verificações de isomorfismo estrutural. Isso mitiga o ruído contextual ao verificar a consistência lógica da evolução do diálogo para inferir a possível composição SQL.
Raciocínio Hierárquico Aumentado: Um paradigma que estabiliza o processo de dedução por meio de trajetórias verificadas e âncoras contextuais, alcançando desempenho de última geração sem ajuste.

Resultados Experimentais

Os experimentos foram conduzidos nos benchmarks SParC e CoSQL utilizando a série Qwen3 (4B, 8B, 14B parâmetros) e backbones adicionais (DeepSeek-R1-Distill-Llama-8B, gpt-oss-20b).

Ganhos de Desempenho: Rose-SQL supera significativamente as linhas de base de aprendizado em contexto. Dentro da série Qwen3, o modelo de 4B com Rose-SQL alcança paridade de desempenho com a linha de base de 8B. Os modelos de 8B e 14B superam substancialmente os modelos ajustados de última geração (por exemplo, Track-SQL) em ambos os benchmarks.
- No SParC (Dev), Rose-SQL (8B) alcança 78,72% de Correspondência de Interação (IM) e 62,56% de Precisão de Execução (EX), superando o Track-SQL ajustado (IM: 75,39%, EX: 57,81%).
Robustez: A estrutura demonstra ganhos consistentes em diferentes escalas de modelo e backbones de raciocínio, indicando que a orientação estrutural é transferível e não depende de uma família de modelo específica.
Estudos de Ablação:
- Estado de Função: Introduz um alvo estrutural intermediário, melhorando significativamente as métricas baseadas em execução (EX, TS).
- Injeção de Conhecimento de Função: Aumenta as pontuações de correspondência exata (EM) ao fornecer priores de nível de função atômica.
- Trajetórias Evolutivas e Âncoras Contextuais: Cruciais para modelar a evolução do diálogo e filtrar ruído histórico, melhorando a consistência entre voltas.
- Quantidade de Trajetórias: O desempenho ótimo é alcançado com um número controlado de trajetórias (N=2 para SParC, N=1 para CoSQL); muitas introduzem ambiguidade.

Significado e Alegações

O artigo afirma que Rose-SQL aborda o desalinhamento estrutural e o ruído contextual inerentes às tarefas de Text-to-SQL multi-turno sem o custo do ajuste. Ao introduzir o Estado de Função como um espaço estrutural explícito, a estrutura permite que modelos de raciocínio de pequena escala raciocinem sobre transições estruturais verificáveis em vez de depender exclusivamente do histórico conversacional bruto.

Os autores afirmam que Rose-SQL fornece um caminho mais estável da intenção em linguagem natural multi-turno para a geração de SQL executável. Os resultados sugerem que a eficácia da estrutura decorre de seu mecanismo de orientação estrutural e não apenas da escalagem do modelo, permitindo que modelos open-source de pequena escala compitam ou superem modelos proprietários, ajustados ou maiores.

Limitações: Os autores reconhecem três limitações: (1) Esparsidade de Recuperação Estrutural para padrões de diálogo raros; (2) Expressividade do Estado de Função, que pode não cobrir totalmente estruturas SQL complexas de domínio aberto; e (3) Sobrecarga de Inferência devido ao aumento do comprimento do prompt a partir de trajetórias recuperadas. Trabalhos futuros visam abordar a recuperação esparsa e melhorar a eficiência do raciocínio.