在AI的浪潮之巅，一款名为SQLCoder-7b的模型在huggingface上震撼发布，它不仅在文本转SQL生成上与GPT-4平分秋色，更在数据处理的速度和准确性上实现了惊人突破，甚至有超越GPT-4的势头。

更多内容迁移到知乎，感谢的关注：https://www.zhihu.com/people/dlimeng

然而，让人好奇的是，这款模型究竟是如何实现这一飞跃的？它的秘密武器究竟是什么？

模型特点

你是否曾为理解SQL数据库中的数据而感到困惑？现在有了SQLCoder-7B-2和SQLCoder-70B-Alpha模型，这些问题将迎刃而解。这两个强大的工具专为非技术用户设计，让他们能够轻松分析数据库内容，无需深厚的专业知识。

令人振奋的是，SQLCoder-70B-Alpha在文本到SQL的转换能力上超越了包括GPT-4在内的所有通用模型。这意味着它能更准确地理解你的需求，并生成相应的SQL查询。同时，SQLCoder-7B-2也是一个不容忽视的佼佼者，它在自然语言到SQL的生成上表现出色。

但请注意，这些模型仅适用于只读访问权限的用户。为了确保数据的安全性，它们并未被训练来应对恶意写请求。

开源精神是推动技术发展的重要动力。SQLCoder2和SQLCoder-7B模型已经向公众开放，让更多人能够受益于它们的能力。其中，SQLCoder2在原始SQLCoder的基础上进行了重大改进，而SQLCoder-7B则以7B参数的模型身份亮相，性能与前者不相上下。

这一切的背后，是开发团队对用户反馈的深度理解和持续改进。他们发现原始SQLCoder在处理日期时间函数时存在困难，有时还会生成错误的列名或表名。同时，社区对能够在小GPU上运行的模型有着巨大需求。于是，SQLCoder2和SQLCoder-7B应运而生，它们不仅解决了这些问题，还更适合生产环境。

SQLCoder如何评估出高准确率的AI模型的？

评估与表现

SQLCoder对每个生成的问题进行了分类，共分为6大类别。接下来的表格将为您展示每个模型在各类别问题中的正确回答率。

数据海洋里，SQL是捕鱼的网。LLM生成的SQL靠不靠谱？SQL-Eval来评判！

SQL-Eval，听名字就知道它的使命：评估LLM生成的SQL语句的正确性。在开发过程中，开发者们常常陷入一个困境：如何判断一个SQL查询是否“正确”？毕竟，对于同一个问题，可能存在多种正确的SQL写法。

举个例子，如果你想找出最近10位来自多伦多的用户，以下两个查询都是正确的：

1.查询A抓取了用户的ID、用户名和创建时间；

2.查询B则选择了用户的ID、全名和创建时间。

评估方法揭秘

1.展开标准查询的列组合。

2.对每个组合运行查询，得到结果数据框。

3.比较生成查询的结果与标准结果，一致则正确。

SQL-Eval考虑列别名、额外列等变体，确保评估准确。它已在GitHub上开源，等你来体验！

https://github.com/defog-ai/sql-eval

如何快速入门SQLCoder-7b

提示词格式：

### TaskGenerate a SQL query to answer [QUESTION]{ user_question}[/QUESTION]### Database SchemaThe query will run on a database with the following schema:{ table_metadata_string_DDL_statements}### AnswerGiven the database schema, here is the SQL query that [QUESTION]{ user_question}[/QUESTION][SQL]

使用环境

😎 示例：https://colab.research.google.com/drive/1z4rmOEiFkxkMiecAWeTUlPl0OmKgfEu7

💻 演示：https://defog.ai/sqlcoder-demo/

🤗 模型：https://huggingface.co/defog/sqlcoder-7b-2

🤖 Github：https://github.com/defog-ai/sqlcoder/

结语

SQLCoder-7b的崛起，不仅是一次技术的飞跃，更是对数据洞察民主化的重要一步。

欢迎关注留言交流！

我是李孟聊AI，独立开源软件开发者，SolidUI作者，对于新技术非常感兴趣，专注AI和数据领域，如果对我的文章内容感兴趣，请帮忙关注点赞收藏，谢谢！