在新基準 BIRD 上，ChatGPT 僅能達到 40.08%，相比人類 92.96% 還有很大差距。

背景

大模型（LLM）為通用人工智能（AGI）的發(fā)展提供了新的方向，其通過海量的公開數(shù)據(jù)，如互聯(lián)網(wǎng)、書籍等語料進行大規(guī)模自監(jiān)督訓練，獲得了強大的語言理解、語言生成、推理等能力。然而，大模型對于私域數(shù)據(jù)的利用仍然面臨一些挑戰(zhàn)，私域數(shù)據(jù)是指由特定企業(yè)或個人所擁有的數(shù)據(jù)，通常包含了領域特定的知識，將大模型與私域知識進行結(jié)合，將會發(fā)揮巨大價值。

私域知識從數(shù)據(jù)形態(tài)上又可以分為非結(jié)構(gòu)化與結(jié)構(gòu)化數(shù)據(jù)。對于非結(jié)構(gòu)化數(shù)據(jù)，例如文檔，通常都通過檢索的方式進行增強，可以利用 langchain 等工具可以快速實現(xiàn)問答系統(tǒng)。而結(jié)構(gòu)化數(shù)據(jù)，如數(shù)據(jù)庫（DB），則需要大模型與數(shù)據(jù)庫進行交互，查詢和分析來獲取有用的信息。圍繞大模型與數(shù)據(jù)庫，近期也衍生出一系列的產(chǎn)品與應用，譬如利用 LLM 打造智能數(shù)據(jù)庫、執(zhí)行 BI 分析、完成自動表格構(gòu)建等。其中，text-to-SQL 技術，即以自然語言的方式與數(shù)據(jù)庫進行交互，一直以來都是一個備受期待的方向。

在學術界，過去的 text-to-SQL 基準僅關注小規(guī)模數(shù)據(jù)庫，最先進的 LLM 已經(jīng)可以達到 85.3% 的執(zhí)行準確率，但這是否意味著 LLM 已經(jīng)可以作為數(shù)據(jù)庫的自然語言接口？

新一代數(shù)據(jù)集

最近，阿里巴巴聯(lián)合香港大學等機構(gòu)推出了面向大規(guī)模真實數(shù)據(jù)庫的全新基準 BIRD (Can LLM Already Serve as A Database Interface? A BIg Bench for Large-Scale Database Grounded Text-to-SQLs)， 包含 95 個大規(guī)模數(shù)據(jù)庫及高質(zhì)量的 Text-SQL pair，數(shù)據(jù)存儲量高達 33.4 GB。之前最優(yōu)的模型在 BIRD 上評估僅達到 40.08%，與人類 92.96% 的結(jié)果還有很大差距，這證明挑戰(zhàn)仍然存在。除了評估 SQL 正確性外，作者還增加了 SQL 執(zhí)行效率的評估，期待模型不僅可以寫正確的 SQL，還能夠?qū)懗龈咝У?SQL。

論文：https://arxiv.org/abs/2305.03111

主頁：https://bird-bench.github.io

代碼：https://github.com/AlibabaResearch/DAMO-ConvAI/tree/main/bird

目前，BIRD 的數(shù)據(jù)、代碼、榜單都已經(jīng)開源，在全球的下載量已超10000。BIRD在推出之始，就引發(fā)了 Twitter 上的廣泛關注與討論。

海外用戶的評論也非常精彩：

不容錯過的 LLM 項目

非常有用的檢查點，提升的溫床

AI 可以幫助你，但還不能取代你

我的工作暫時是安全的...

方法概述

???

新的挑戰(zhàn)

該研究主要面向真實數(shù)據(jù)庫的 Text-to-SQL 評估，過去流行的測試基準，比如 Spider 和 WikiSQL，僅關注具有少量數(shù)據(jù)庫內(nèi)容的數(shù)據(jù)庫 schema，導致學術研究與實際應用之間存在鴻溝。BIRD 重點關注海量且真實的數(shù)據(jù)庫內(nèi)容、自然語言問題與數(shù)據(jù)庫內(nèi)容之間的外部知識推理以及在處理大型數(shù)據(jù)庫時 SQL 的效率等新三個挑戰(zhàn)。

首先，數(shù)據(jù)庫包含海量且嘈雜數(shù)據(jù)的值。在左側(cè)示例中，平均工資的計算需要通過將數(shù)據(jù)庫中的字符串（String）轉(zhuǎn)化為浮點值 (Float) 之后再進行聚合計算（Aggregation）；

其次，外部知識推斷是很必要的，在中間示例中，為了能準確地為用戶返回答案，模型必須先知道有貸款資格的賬戶類型一定是 “擁有者”（“OWNER”），這代表巨大的數(shù)據(jù)庫內(nèi)容背后隱藏的奧秘有時需要外部知識和推理來揭示；

最后，需要考慮查詢執(zhí)行效率。在右側(cè)示例中，采用更高效的 SQL 查詢可以顯著提高速度，這對于工業(yè)界來講具有很大價值，因為用戶不僅期待寫出正確的 SQL，還期待 SQL 執(zhí)行的高效，尤其是在大型數(shù)據(jù)庫的情況下；

數(shù)據(jù)標注

BIRD 在標注的過程中解耦了問題生成和 SQL 標注。同時加入專家來撰寫數(shù)據(jù)庫描述文件，以此幫助問題和 SQL 標注人員更好的理解數(shù)據(jù)庫。

1. 數(shù)據(jù)庫采集：作者從開源數(shù)據(jù)平臺（如 Kaggle 和 CTU Prague Relational Learning Repository）收集并處理了 80 個數(shù)據(jù)庫。通過收集真實表格數(shù)據(jù)、構(gòu)建 ER 圖以及設置數(shù)據(jù)庫約束等手動創(chuàng)建了 15 個數(shù)據(jù)庫作為黑盒測試，來避免當前數(shù)據(jù)庫被當前的大模型學習過。BIRD 的數(shù)據(jù)庫包含了多個領域的模式和值， 37 個領域，涵蓋區(qū)塊鏈、體育、醫(yī)療、游戲等。

2. 問題收集：首先作者雇傭?qū)＜蚁葹閿?shù)據(jù)庫撰寫描述文件，該描述文件包括完整的表明列名、數(shù)據(jù)庫值的描述，以及理解值所用到的外部知識等。然后招募了 11 個來自美國，英國，加拿大，新加坡等國家的 native speaker 為 BIRD 產(chǎn)生問題。每一位 speaker 都至少具備本科及以上的學歷。

3.SQL 生成：面向全球招募了由數(shù)據(jù)工程師和數(shù)據(jù)庫課程學生組成的標注團隊為 BIRD 生成 SQL。在給定數(shù)據(jù)庫和參考數(shù)據(jù)庫描述文件的情況下，標注人員需生成 SQL 以正確回答問題。采用雙盲（Double-Blind）標注方法，要求兩位標注人員對同一個問題進行標注。雙盲標注可以最大程度減少單一標注人員所帶來的錯誤。

4. 質(zhì)量檢測：質(zhì)量檢測分為結(jié)果執(zhí)行的有效性和一致性兩部分。有效性不僅要求執(zhí)行的正確性，還要求執(zhí)行結(jié)果不能是空值（NULL）。專家將逐步修改問題條件，直至 SQL 執(zhí)行結(jié)果有效。

5. 難度劃分：text-to-SQL 的難度指標可以為研究人員提供優(yōu)化算法的參考。Text-to-SQL 的難度不僅取決于 SQL 的復雜程度，還與問題難度、額外知識易理解程度以及數(shù)據(jù)庫復雜程度等因素有關。因此作者要求 SQL 標注人員在標注過程中對難易程度進行評分，并將難度分為三類：簡單、適中和具有挑戰(zhàn)性。

數(shù)據(jù)統(tǒng)計

1. 問題類型統(tǒng)計：問題分為兩大類，基礎問題類型（Fundamental Type）和推理問題類型（Reasoning Type）。基礎問題類型包括傳統(tǒng) Text-to-SQL 數(shù)據(jù)集中涵蓋的問題類型，而推理問題類型則包括需要外部知識來理解值的問題：

2. 數(shù)據(jù)庫分布：作者用 sunburst 圖顯示了數(shù)據(jù)庫 domain 及其數(shù)據(jù)量大小之間的關系。越大的半徑意味著，基于該數(shù)據(jù)庫的 text-SQL 較多，反之亦然。越深的顏色則是指該數(shù)據(jù)庫 size 越大，比如 donor 是該 benchmark 中最大的數(shù)據(jù)庫，所占空間: 4.5GB。

3.SQL 分布：作者通過 SQL 的 token 數(shù)量，關鍵詞數(shù)量，n-gram 類型數(shù)量，JOIN 的數(shù)量等 4 個維度來證明 BIRD 的 SQL 是迄今為止最多樣最復雜的。

評價指標

1. 執(zhí)行準確率：對比模型預測的 SQL 執(zhí)行結(jié)果與真實標注 SQL 執(zhí)行結(jié)果的差異；

2. 有效效率分數(shù)：同時考慮 SQL 的準確性與高效性，對比模型預測的 SQL 執(zhí)行速度與真實標注 SQL 執(zhí)行速度的相對差異，將運行時間視為效率的主要指標。

實驗分析

作者選擇了在之前基準測試中，表現(xiàn)突出的訓練式 T5 模型和大型語言模型（LLM）作為基線模型：Codex（code-davinci-002）和 ChatGPT（gpt-3.5-turbo）。為了更好地理解多步推理是否能激發(fā)大型語言模型在真實數(shù)據(jù)庫環(huán)境下的推理能力，還提供了它們的思考鏈版本（Chain-of-Thought）。并在兩種設置下測試基線模型：一種是完全的 schema 信息輸入，另一種是人類對涉及問題的數(shù)據(jù)庫值的理解，總結(jié)成自然語言描述（knowledge evidence）輔助模型理解數(shù)據(jù)庫。

作者給出了一些結(jié)論：

1. 額外知識的增益：增加對數(shù)據(jù)庫值理解的知識（knowledge evidence）有明顯的效果提升，這證明在真實的數(shù)據(jù)庫場景中，僅依賴語義解析能力是不夠的，對數(shù)據(jù)庫值的理解會幫助用戶更準確地找到答案。

2. 思維鏈不一定完全有益：在模型沒有給定數(shù)據(jù)庫值描述和零樣本（zero-shot）情況下，模型自身的 COT 推理可以更準確地生成答案。然而，當給定額外的知識（knowledge evidence）后，讓 LLM 進行 COT，發(fā)現(xiàn)效果并不顯著，甚至會下降。因此在這個場景中， LLM 可能會產(chǎn)生知識沖突。如何解決這種沖突，使模型既能接受外部知識，又能從自身強大的多步推理中受益，將是未來重點的研究方向。

3. 與人類的差距：BIRD 還提供了人類指標，作者以考試的形式測試標注人員在第一次面對測試集的表現(xiàn)，并將其作為人類指標的依據(jù)。實驗發(fā)現(xiàn)，目前最好的 LLM 距離人類仍有較大的差距，證明挑戰(zhàn)仍然存在。作者執(zhí)行了詳細的錯誤分析，給未來的研究提供了一些潛在的方向。

結(jié)論

LLM 在數(shù)據(jù)庫領域的應用將為用戶提供更智能、更便捷的數(shù)據(jù)庫交互體驗。BIRD 的出現(xiàn)將推動自然語言與真實數(shù)據(jù)庫交互的智能化發(fā)展，為面向真實數(shù)據(jù)庫場景的 text-to-SQL 技術提供了進步空間，有助于研究人員開發(fā)更先進、更實用的數(shù)據(jù)庫應用。