开源超越GPT-4o！中国团队造出“SQL翻译官”，250万数据炼成真功夫

作者

在大数据与人工智能紧密交织的当下，文本转SQL技术是实现自然语言与数据库顺畅交互的关键。近期，中国人民大学团队带来惊喜，推出OmniSQL及创新数据合成框架SynSQL-2.5M，为该领域注入新活力，极具应用潜力。

一、OmniSQL概述

OmniSQL是人大团队开源的文本转SQL模型家族，有7B、14B、32B三种参数规模。不同规模适配不同算力需求，从个人开发到企业级应用，都能找到合适版本。其厉害之处，主要源于背后的SynSQL-2.5M。

SynSQL-2.5M是全球首个百万级文本转SQL数据集，含250万高质量样本，覆盖16,583个跨领域数据库，金融、医疗、科研等领域数据都有。丰富的数据让OmniSQL在复杂场景下，也能把自然语言精准转为SQL查询。性能上，OmniSQL超越GPT-4o等闭源模型，更快速准确处理任务，技术优势明显 ，为广泛应用筑牢根基。

二、功能特点

1、SynSQL-2.5M数据集的显著优势

  • 大规模与多样样本：250万样本，覆盖超16,000个领域数据库，支持9种自然语言风格，不管是口语化提问，还是正式书面表达，都能理解，转化为SQL查询。

  • 精细复杂度分级：SQL查询分简单、中等、复杂、高度复杂四级。从单表查询，到多表连接、函数嵌套，再到窗口函数高级应用等复杂操作，都涵盖其中，为OmniSQL训练提供丰富样本，应对各种难度查询。

  • 透明链式推理支持：每个样本都有CoT解决方案，清晰展示从自然语言问题到SQL查询的推理步骤，让用户明白模型如何得出结果，提高模型可解释性与用户信任度，也方便研究人员优化模型。

2、OmniSQL模型的突出亮点

  • 灵活多尺寸适配：7B、14B、32B参数版本，满足不同资源条件。7B适用于资源有限环境，14B平衡性能与资源，32B处理大规模复杂任务。且支持本地化部署，保障金融、政务等对数据安全要求高的行业的数据安全。

  • 领先性能表现：在Spider、BIRD等9个权威文本转SQL基准测试中，OmniSQL成绩优异，超越DeepSeek-V3、GPT-4o等模型。不管查询准确性、速度，还是对复杂查询的处理能力，都很出色，提供高效可靠服务。

  • 简洁高效零额外设计：OmniSQL用单一模型实现高精度文本转SQL，不依赖外部SQL修正模块，减少系统复杂性与维护成本，提升运行效率与稳定性 。

三、技术原理（四步数据合成框架）

1、数据库自动生成

OmniSQL分析网络表格，推断业务场景，借助大语言模型自动构建含多表关系、主外键约束的数据库结构。还采用增强策略，增加列数、优化结构，让生成的数据库更贴合实际应用。

2、复杂度可控的SQL生成：

定义四个复杂度等级，结合SQLite函数库，如聚合函数（SUM、AVG等）、窗口函数（ROW_NUMBER、RANK等），生成各类SQL查询。能依用户问题智能选择复杂度等级，给出合适查询语句。

3、风格化问题反向翻译

采用SQL-to-Question策略，将SQL查询反向译为9种语言风格的自然语言问题，经语义分析确保翻译前后语义一致，提升自然语言与SQL转换效率和准确性，适应不同用户语言习惯。

4、CoT解决方案合成

通过逐步推理生成器，为样本添加中间推导步骤，即CoT解决方案。训练时，模型学习问题到SQL的转换，也学习每步推理逻辑，提高推理准确性与可靠性，向用户展示透明推理过程，增强信任。

四、应用场景

1、企业数据分析

企业中，数据是决策关键，但传统分析工具需专业技术。OmniSQL让非技术人员能用自然语言查询数据库，如市场人员问“上月各地区产品销售增长率？”，财务人员问“去年各季度成本与利润？”，OmniSQL快速转成SQL查询，降低BI工具使用门槛，提升数据分析效率。

2、教育领域

SQL教学中，OmniSQL的CoT解决方案帮初学者理解从问题到SQL的转换过程。教师用它生成查询示例，让学生实操掌握SQL概念与技巧。在线教育平台也能用它提供个性化学习支持。

3、跨领域适配

基于合成框架，OmniSQL能快速生成领域专用数据集。医疗领域生成EHRSQL数据集，助力医疗研究；科研领域生成ScienceBenchmark数据集，辅助科研数据分析，推动各领域数据应用创新。

4、本地化部署

金融、政务等对数据安全要求极高的行业，OmniSQL支持本地化部署，企业和机构可将模型部署在自己服务器，避免数据泄露风险，提高处理效率与响应速度 。

五、快速使用指南

1、提示模板

OmniSQL提示模板如下：

input_prompt_template = ”’Task Overview:

You are a data science expert. Below, you are provided with a database schema and a natural language question. Your task is to understand the schema and generate a valid SQL query to answer the question.


Database Engine:

SQLite


Database Schema:

{db_details}

This schema describes the database’s structure, including tables, columns, primary keys, foreign keys, and any relevant relationships or constraints.


Question:

{question}


Instructions:

– Make sure you only output the information that is asked in the question. If the question asks for a specific column, make sure to only include that column in the SELECT clause, nothing more.

– The generated query should return all of the information asked in the question without any missing or extra information.

– Before generating the final SQL query, please think through the steps of how to write the query.


Output Format:

In your answer, please enclose the generated SQL query in a code block:

“`

— Your SQL query

“`


Take a deep breath and think step by step to find the correct SQL query.”’

使用时，把“db_details”替换为数据库模式信息，“question”替换为自然语言问题。“db_details”是数据库表定义语句（DDL），可加SQL注释描述。目前OmniSQL仅支持SQLite。

2、使用vLLM进行推理

OmniSQL与vLLM结合使用示例：

from vllm import LLM, SamplingParamsfrom transformers import AutoTokenizer
prompt = input_prompt_template.format(db_details = "...", question = "...")model_path = "seeklhy/OmniSQL-7B"tokenizer = AutoTokenizer.from_pretrained(model_path)sampling_params = SamplingParams(    temperature = 0,     max_tokens = 2048,    n = 1)
llm = LLM(    model = model_path,    dtype = "float16",     tensor_parallel_size = 1,    max_model_len = 8192,    gpu_memory_utilization = 0.92,    swap_space = 8,    enforce_eager = True,    disable_custom_all_reduce = True,    trust_remote_code = True)
chat_prompt = tokenizer.apply_chat_template(    [{"role": "user", "content": prompt}],    add_generation_prompt = True, tokenize = False)
outputs = llm.generate([chat_prompt], sampling_params)
for output in outputs:    responses = [o.text for o in output.outputs]    print(responses[0])

按此步骤，用户能快速用OmniSQL实现文本转SQL，完成自然语言与数据库高效交互。

六、结语

OmniSQL是文本转SQL领域重大突破，开源模型与数据集推动技术普及。未来，有望扩展至多语言、多数据库引擎场景，在自然语言交互式数据分析中发挥更大作用，推动大数据和人工智能技术发展应用。 

项目地址

开源地址：https://github.com/RUCKBReasoning/OmniSQL

arXiv论文：https://arxiv.org/abs/2503.02240 

（文：小兵的AI视界）

欢迎分享

发表评论