文本转SQL手册

NL2SQL手册

这是**[TKDE'25] 大语言模型时代的文本转SQL综述：我们目前处于什么阶段，未来又将走向何方？和[VLDB'24] 自然语言转SQL的曙光：我们准备好了吗？**的官方仓库。 通过该仓库，您可以探索文本转SQL研究（即NL2SQL）领域的最新进展。我们提供了全面的综述、深入的研究论文以及基准评估。

大语言模型时代的文本转SQL综述：我们目前处于什么阶段，未来又将走向何方？

自然语言转SQL：现状与开放问题

自然语言转SQL的曙光：我们准备好了吗？

📧如果您认为我们遗漏了任何有趣的工作，请联系我们。

@article{liu2025survey,
  title={大语言模型时代的文本转SQL综述：我们目前处于什么阶段，未来又将走向何方？},
  author={刘欣宇、沈书宇、李博彦、马培贤、蒋润志、张宇鑫、范炬、李国梁、唐楠、罗雨雨},
  journal={IEEE知识与数据工程汇刊},
  year={2025},
  publisher={IEEE}
}

🧭 文本转SQL简介

将用户的自然语言查询（NL）转换为SQL查询，可以显著降低访问关系型数据库的门槛，并支持多种商业应用。随着语言模型（LMs）的出现，文本转SQL的性能得到了极大提升。在此背景下，评估当前的发展状况、确定从业者在特定场景下应采用的文本转SQL解决方案，以及明确研究人员下一步的研究方向，显得尤为重要。

📈 文本转SQL生命周期

• 模型：文本转SQL翻译技术不仅要应对自然语言的歧义和信息不足问题，还要正确地将自然语言与数据库模式和实例进行映射；
• 数据：从训练数据的收集、因训练数据稀缺而进行的数据合成，到文本转SQL基准测试；
• 评估：使用不同指标和粒度从多个角度评估文本转SQL方法；
• 错误分析：分析文本转SQL中的错误以找出根本原因，并指导文本转SQL模型不断改进。

🤔 我们目前处于什么阶段？

我们将文本转SQL面临的挑战分为五个层次，每一层都针对特定的难题。前三个层次涵盖了已经或正在解决的挑战，反映了文本转SQL的逐步发展。第四层次代表我们在大语言模型阶段希望攻克的挑战，而第五层次则勾勒出我们在未来五年内对文本转SQL系统的愿景。 我们从语言模型的角度描述了文本转SQL解决方案的演进过程，并将其划分为四个阶段。 对于文本转SQL的每个阶段，我们都分析了目标用户的变化以及挑战被解决的程度。

🧩 基于模块的文本转SQL方法

我们总结了利用语言模型的文本转SQL解决方案中的关键模块。

• 预处理是在文本转SQL解析过程中对模型输入的增强。您可以在本章中了解更多详情：预处理
• 文本转SQL翻译方法是文本转SQL解决方案的核心，负责将输入的自然语言查询转换为SQL查询。您可以在本章中了解更多详情：文本转SQL翻译方法
• 后处理是优化生成的SQL查询的关键步骤，以确保其更准确地满足用户期望。您可以在本章中了解更多详情：后处理

📚 Text-to-SQL 综述与教程

1. 大型语言模型时代的 Text-to-SQL 综述：我们身处何处，又将走向何方？

1. 自然语言到 SQL：现状与开放问题。
2. 下一代数据库接口：基于大语言模型的 Text-to-SQL 综述。
3. 利用大型语言模型处理 Text-to-SQL 任务的综述。

1. 大型语言模型增强的 Text-to-SQL 生成：综述。

1. 从自然语言到 SQL：基于大语言模型的 Text-to-SQL 系统综述。

1. 面向表格数据查询和可视化的自然语言接口：综述。

1. 基于深度学习的数据库自然语言接口。
2. 关于 Text-to-SQL 的深度学习方法综述。

1. Text-to-SQL 解析综述：概念、方法与未来方向。

1. Text-to-SQL 的最新进展：现有成果与未来展望综述。

1. 深入探讨 Text-to-SQL 系统中的深度学习方法。

1. 数据自然语言接口的现状与开放挑战。

1. 自然语言到 SQL：我们目前处于什么阶段？

📰 Text-to-SQL Paper List

1. DeepEye-SQL: A Software-Engineering-Inspired Text-to-SQL Framework.
2. Alpha-SQL: Zero-Shot Text-to-SQL using Monte Carlo Tree Search

1. NL2SQL-BUGs: A Benchmark for Detecting Semantic Errors in NL2SQL Translation.
2. EllieSQL: Cost-Efficient Text-to-SQL with Complexity-Aware Routing.
3. The Dawn of Natural Language to SQL: Are We Fully Ready?

2. DIVER: A Robust Text-to-SQL System with Dynamic Interactive Value Linking and Evidence Reasoning. 3. LogicCat: A Chain-of-Thought Text-to-SQL Benchmark for Complex Reasoning. 4. Schema on the Inside: A Two-Phase Fine-Tuning Method for High-Efficiency Text-to-SQL at Scale. 5. Hexgen-Flow: Optimizing LLM Inference Request Scheduling for Agentic Text-to-SQL. 6. SQLMorph: Query Mutation and Fine-Grained Metrics for Text-to-SQL Evaluation. 7. LEAF-SQL: Level-wise Exploration with Adaptive Fine-graining for Text-to-SQL Skeleton Prediction. 8. An Efficient and Effective Evaluator for Text2SQL Models on Unseen and Unlabeled Data. 9. Boosting Small Language Models for Text-to-SQL with Fine-Grained Execution Feedback and Cost-Efficient Rewards. 10. MM2SQL: A Benchmark and Method for Visually-Grounded SQL Generation. 11. Text2SQL-Flow: A Robust SQL-Aware Data Augmentation Framework for Text-to-SQL. 12. Knapsack Optimization-based Schema Linking for LLM-based Text-to-SQL Generation. 13. CYANSQL: Unlock the Power of NL2SQL via Clustering-based Test-Time Scaling. 14. Beyond Static Pipelines: Learning Dynamic Workflows for Text-to-SQL. 15. ReViSQL: Achieving Human-Level Text-to-SQL. 16. Think2SQL: Blueprinting Reward Density and Advantage Scaling for Effective Text-to-SQL Reasoning.

1. AgentSM: Semantic Memory for Agentic Text-to-SQL.
2. LLM-Based SQL Generation: Prompting, Self-Refinement, and Adaptive Weighted Majority Voting.
3. Pervasive Annotation Errors Break Text-to-SQL Benchmarks and Leaderboards.
4. OptiSQL: Executable SQL Generation from Optical Tokens.
5. Memo-SQL: Structured Decomposition and Experience-Driven Self-Correction for Training-Free NL2SQL.
6. Structure-Guided Large Language Models for Text-to-SQL Generation.
7. Sphinteract: Resolving Ambiguities in NL2SQL Through User Interaction.

1. OmniSQL: Synthesizing High-quality Text-to-SQL Data at Scale.
2. EVOSCHEMA: TOWARDS TEXT-TO-SQL ROBUSTNESS AGAINST SCHEMA EVOLUTION.
3. Is Long Context All You Need? Leveraging LLM's Extended Context for NL2SQL.
4. The Power of Constraints in Natural Language to SQL Translation.
5. OpenSearch-SQL: Enhancing Text-to-SQL with Dynamic Few-shot and Consistency Alignment.
6. Reliable Text-to-SQL with Adaptive Abstention.
7. SNAILS: Schema Naming Assessments for Improved LLM-Based SQL Inference.
8. Automated Validating and Fixing of Text-to-SQL Translation with Execution Consistency.
9. Grounding Natural Language to SQL Translation with Data-Based Self-Explanations.
10. AID-SQL: Adaptive In-Context Learning of Text-to-SQL with Difficulty-Aware Instruction and Retrieval-Augmented Generation.
11. CLEAR: A Parser-Independent Disambiguation Framework for NL2SQL.

1. CHASE-SQL: Multi-Path Reasoning and Preference Optimized Candidate Selection in Text-to-SQL.

1. Spider 2.0: Evaluating Language Models on Real-World Enterprise Text-to-SQL Workflows.

1. ROUTE: Robust Multitask Tuning and Collaboration for Text-to-SQL.
2. SHARE: An SLM-based Hierarchical Action CorREction Assistant for Text-to-SQL.
3. DCG-SQL: Enhancing In-Context Learning for Text-to-SQL with Deep Contextual Schema Link Graph.
4. Uncovering the Impact of Chain-of-Thought Reasoning for Direct Preference Optimization: Lessons from Text-to-SQL.
5. STaR-SQL: Self-Taught Reasoner for Text-to-SQL.
6. SQLGenie: A Practical LLM based System for Reliable and Efficient SQL Generation
7. SQL-R1: Training Natural Language to SQL Reasoning Model By Reinforcement Learning.
8. Confidence Estimation for Error Detection in Text-to-SQL Systems.
9. SQLord: A Robust Enterprise Text-to-SQL Solution via Reverse Data Generation and Workflow Decomposition.
10. DBCopilot: Scaling Natural Language Querying to Massive Databases.
11. Utilising Large Language Models for Adversarial Attacks in Text-to-SQL: A Perpetrator and Victim Approach.

1. You Only Read Once (YORO): Learning to Internalize Database Knowledge for Text-to-SQL.

1. Boosting Text-to-SQL through Multi-grained Error Identification.

1. Gen-SQL: Efficient Text-to-SQL By Bridging Natural Language Question And Database Schema With Pseudo-Schema.

1. MAC-SQL: A Multi-Agent Collaborative Framework for Text-to-SQL.

1. PARSQL: Enhancing Text-to-SQL through SQL Parsing and Reasoning.
2. UCS-SQL: Uniting Content and Structure for Enhanced Semantic Bridging In Text-to-SQL.
3. SQLForge: Synthesizing Reliable and Diverse Data to Enhance Text-to-SQL Reasoning in LLMs.
4. Optimizing Reasoning for Text-to-SQL with Execution Feedback.
5. Knowledge Base Construction for Knowledge-Augmented Text-to-SQL.
6. SQLong: Enhanced NL2SQL for Longer Contexts with LLMs.

1. Reasoning-SQL: Reinforcement Learning with SQL Tailored Partial Rewards for Reasoning-Enhanced Text-to-SQL.
2. Agentar-Scale-SQL: Advancing Text-to-SQL through Orchestrated Test-Time Scaling. .
3. Automatic Metadata Extraction for Text-to-SQL.
4. DeepEye-SQL: A Software-Engineering-Inspired Text-to-SQL Framework.
5. Rethinking Text-to-SOL: Dynamic Multi-turn SOIInteraction for Real-world Database Exploration.
6. MARS-SQL: A MULTI-AGENT REINFORCEMENT LEARNING FRAMEWORK FOR TEXT-TO-SQL.
7. RUBIKSQL: Lifelong Learning Agentic Knowledge Base as an Industrial NL2SQL System.
8. CSC-SQL: Corrective Self-Consistency in Text-to-SQL via Reinforcement Learning.
9. Cheaper, Better, Faster, Stronger: Robust Text-to-SQL without Chain-of-Thought or Fine-Tuning.
10. SLM-SQL: An Exploration of Small Language Models for Text-to-SQL.
11. Reward-SQL: Boosting Text-to-SQL via Stepwise Reasoning and Process-Supervised Rewards.
12. Arctic-Text2SQL-R1: Simple Rewards, Strong Reasoning in Text-to-SQL.
13. Corrective Self-Consistency in Text-to-SQL via Reinforcement Learning.
14. SQLForge: Synthesizing Reliable and Diverse Data to Enhance Text-to-SQL Reasoning in LLMs.
15. Think2SQL: Reinforce LLM Reasoning Capabilities for Text2SQL.
16. Distill-C: Enhanced NL2SQL via Distilled Customization with LLMs.
17. OmniSQL: Synthesizing High-quality Text-to-SQL Data at Scale.
18. SQL-Factory: A Multi-Agent Framework for High-Quality and Large-Scale SQL Generation.
19. Text2SQL is Not Enough: Unifying AI and Databases with TAG.
20. Automatic database description generation for Text-to-SQL.

1. MCTS-SQL: An Effective Framework for Text-to-SQL with Monte Carlo Tree Search.

1. SQL-o1: A Self-Reward Heuristic Dynamic Search Method for Text-to-SQL.
2. FEATHER-SQL: A Lightweight NL2SQL Framework with Dual-Model Collaboration Paradigm for Small Language Models.

1. FI-NL2PY2SQL: Financial Industry NL2SQL Innovation Model Based on Python and Large Language Model.

1. FGCSQL: A Three-Stage Pipeline for Large Language Model-Driven Chinese Text-to-SQL.

1. Transforming Medical Data Access: The Role and Challenges of Recent Language Models in SQL Query Automation.
2. The Dawn of Natural Language to SQL: Are We Fully Ready?

1. Text-to-SQL Empowered by Large Language Models: A Benchmark Evaluation.

1. Interleaving Pre-Trained Language Models and Large Language Models for Zero-Shot NL2SQL Generation.

1. Generating Succinct Descriptions of Database Schemata for Cost-Efficient Prompting of Large Language Models.

1. ScienceBenchmark: A Complex Real-World Benchmark for Evaluating Natural Language to SQL Systems.
2. CodeS: Towards Building Open-source Language Models for Text-to-SQL.

1. FinSQL: Model-Agnostic LLMs-based Text-to-SQL Framework for Financial Analysis.

1. PURPLE: Making a Large Language Model a Better SQL Writer.

1. METASQL: A Generate-then-Rank Framework for Natural Language to SQL Translation.

1. Archer: A Human-Labeled Text-to-SQL Dataset with Arithmetic, Commonsense and Hypothetical Reasoning.

1. Synthesizing Text-to-SQL Data from Weak and Strong LLMs.

1. Understanding the Effects of Noise in Text-to-SQL: An Examination of the BIRD-Bench Benchmark.

1. I Need Help! Evaluating LLM’s Ability to Ask for Users’ Support: A Case Study on Text-to-SQL Generation.

1. PTD-SQL: Partitioning and Targeted Drilling with LLMs in Text-to-SQL.

1. Improving Retrieval-augmented Text-to-SQL with AST-based Ranking and Schema Pruning.

1. Data-Centric Text-to-SQL with Large Language Models.

1. Research and Practice on Database Interaction Based on Natural Language Processing

1. XiYan-SQL: A Multi-Generator Ensemble Framework for Text-to-SQL.

1. Structure Guided Large Language Model for SQL Generation.

1. A Plug-and-Play Natural Language Rewriter for Natural Language to SQL.

1. RSL-SQL: Robust Schema Linking in Text-to-SQL Generation.

1. In-Context Reinforcement Learning based Retrieval-Augmented Generation for Text-to-SQL.

1. TrustSQL: Benchmarking Text-to-SQL Reliability with Penalty-Based Scoring.

1. LAIA-SQL: Enhancing Natural Language to SQL Generation in Multi-Table QA via Task Decomposition and Keyword Extraction

1. Research on Large Model Text-to-SQL Optimization Method for Intelligent Interaction in the Field of Construction Safety.

1. SQLh-GEN: Bridging the Dialect Gap for Text-to-SQL Via Synthetic Data And Model Merging.
2. Grounding Natural Language to SQL Translation with Data-Based Self-Explanations.

1. Towards Optimizing SQL Generation via LLM Routing.

1. E-SQL: Direct Schema Linking via Question Enrichment in Text-to-SQL.

1. DB-GPT: Empowering Database Interactions with Private Large Language Models.

1. The Death of Schema Linking? Text-to-SQL in the Age of Well-Reasoned Language Models.

1. CHESS: Contextual Harnessing for Efficient SQL Synthesis.

1. PET-SQL: A Prompt-Enhanced Two-Round Refinement of Text-to-SQL with Cross-consistency.

1. CoE-SQL: In-Context Learning for Multi-Turn Text-to-SQL with Chain-of-Editions.

1. AMBROSIA: A Benchmark for Parsing Ambiguous Questions into Database Queries.

1. Text-to-SQL Calibration: No Need to Ask—Just Rescale Model Probabilities.

1. Few-shot Text-to-SQL Translation using Structure and Content Prompt Learning.

1. CatSQL: Towards Real World Natural Language to SQL Applications.

1. DIN-SQL: Decomposed In-Context Learning of Text-to-SQL with Self-Correction.

1. Data Ambiguity Strikes Back: How Documentation Improves GPT's Text-to-SQL.

1. ACT-SQL: In-Context Learning for Text-to-SQL with Automatically-Generated Chain-of-Thought.

1. Selective Demonstrations for Cross-domain Text-to-SQL.

1. RESDSQL: Decoupling Schema Linking and Skeleton Parsing for Text-to-SQL.

1. Graphix-T5: Mixing Pre-trained Transformers with Graph-Aware Layers for Text-to-SQL Parsing.

1. Improving Generalization in Language Model-based Text-to-SQL Semantic Parsing: Two Simple Semantic Boundary-based Techniques.

1. G³R: A Graph-Guided Generate-and-Rerank Framework for Complex and Cross-domain Text-to-SQL Generation.

1. Importance of Synthesizing High-quality Data for Text-to-SQL Parsing.

1. Know What I don’t Know: Handling Ambiguous and Unknown Questions for Text-to-SQL.

1. C3: Zero-shot Text-to-SQL with ChatGPT

1. SQLformer: Deep Auto-Regressive Query Graph Generation for Text-to-SQL Translation.

📊 Text-to-SQL 基准测试

我们创建了基准测试的发展时间线，并标注了相关的重要里程碑。更多详细信息请参阅本章节：📊 基准测试

🎯 我们的目标是什么？

• 🎯解决开放式的 Text-to-SQL 问题
• 🎯开发经济高效的 Text-to-SQL 方法
• 🎯使 Text-to-SQL 解决方案更加可信
• 🎯处理含歧义或未明确说明的自然语言查询
• 🎯自适应训练数据合成

📖 我们的综述目录

您可以在我们的子章节中获取更多信息。我们介绍了相关概念中的代表性论文：

• 预处理
• Text-to-SQL 翻译方法
• 后处理
• 基准测试
• 评估
• 错误分析

💾 新手实用指南

📊 如何获取数据：

• 我们为您收集了 Text-to-SQL 基准测试的相关信息及下载链接。更多详情请参阅本章节：基准测试
• 基准测试的分析代码位于 src/dataset_analysis 目录下。基准测试分析报告则存放在 report/ 目录中。

🛠️ 如何构建基于 LLM 的 Text-to-SQL 模型：

• Litgpt 仓库链接

  该仓库提供了超过20个高性能大型语言模型（LLM）的访问权限，并配有全面的预训练、微调和大规模部署指南。它采用从头开始实现的方式，没有复杂的抽象概念，非常适合初学者使用。

• LLaMA-Factory 仓库链接 统一高效地微调100多种大型语言模型。通过整合多种模型、可扩展的训练资源、先进的算法、实用技巧以及全面的实验监控工具，该框架能够通过优化后的 API 和用户界面实现高效且快速的推理。

• BIRD-SQL 基准测试的微调与上下文学习 仓库链接

  BIRD-SQL 基准测试提供了关于微调和上下文学习的教程。

🔎 如何评估您的模型：

我们为您整理了 NL2SQL 的评估指标。更多详情请参阅本章节：评估

• NLSQL360 仓库链接

  NL2SQL360 是一个用于对 NL2SQL 解决方案进行细粒度评估的测试平台。该平台整合了现有的 NL2SQL 基准测试、NL2SQL 模型库以及多种评估指标，旨在提供一个直观且易于使用的平台，以支持标准和定制化的性能评估。

• Test-suite-sql-eval 仓库链接

  该仓库包含针对11个 text-to-SQL 任务的测试套件评估指标。目前，它已成为 Spider、SParC 和 CoSQL 的官方评估指标，并且也适用于 Academic、ATIS、Advising、Geography、IMDB、Restaurants、Scholar 和 Yelp 数据集（基于 Catherine 和 Jonathan 的出色工作）。

• BIRD-SQL 官方 仓库链接

  这是 BIRD-SQL 的官方工具。它是首个提出 VES 指标并提供官方测试套件的工具。

🗺️ 路线图与决策流程

您可以从路线图和决策流程中获得一些启发。

📱 Text-to-SQL 相关应用：

• AI for Database：面向数据库的代理式 AI 产品——可连接任何数据库（PostgreSQL、MySQL、MongoDB 等），并用通俗英语与其交互。具备自动刷新的智能仪表板、自然语言查询以及基于数据库变化触发的自动化工作流功能。
• Chat2DB：基于 AI 的数据库工具和 SQL 客户端，是最受欢迎的 GUI 客户端之一，支持 MySQL、Oracle、PostgreSQL、DB2、SQL Server、SQLite、H2、ClickHouse 等多种数据库。
• DB-GPT：基于 AWEL（代理工作流表达语言）和代理的原生 AI 数据应用开发框架。
• Postgres.new：带有 AI 辅助功能的浏览器内 Postgres 沙盒环境。
• QueryGPT – 使用生成式 AI 将自然语言转换为 SQL。

📮 联系我们

如果您认为我们遗漏了某些有趣的工作，请随时与我们联系。

📧 xliu371[at]connect.hkust-gz.edu.cn

NL2SQL_Handbook 快速上手指南

NL2SQL_Handbook 是一个专注于大模型时代 Text-to-SQL（自然语言转 SQL）技术的综合资源库。它收录了最新的综述论文、教程幻灯片、基准测试以及前沿研究论文列表，旨在帮助开发者和研究人员了解该领域的现状、挑战及未来方向。

注意：本项目主要作为知识库、文献索引和教程资源，而非一个直接部署的 Python 软件包。以下指南将指导您如何获取资源并查阅核心内容。

环境准备

本项目主要为文档和代码示例集合，对系统环境要求较低，只需具备基础的代码浏览和文档阅读环境。

• 操作系统：Linux, macOS, 或 Windows
• 前置依赖：
  • Git：用于克隆仓库。
  • Markdown 阅读器：推荐使用 VS Code、Typora 或 GitHub 网页版直接查看 .md 文件。
  • PDF 阅读器：用于查看仓库中提供的学术报告幻灯片（Slides）。
  • Python (可选)：如果您计划运行仓库中链接的具体子项目代码（如 NL2SQL360），建议安装 Python 3.8+ 及相关深度学习框架（PyTorch/TensorFlow），具体依赖需参考对应子项目的说明。

安装步骤

由于本项目是资源汇编，无需通过 pip 安装，直接克隆仓库即可使用。

1. 克隆仓库

打开终端，执行以下命令获取最新资源：

git clone https://github.com/HKUSTDial/NL2SQL_Handbook.git

国内加速建议：如果访问 GitHub 速度较慢，可使用国内镜像源（如 Gitee 镜像，若有）或通过代理加速克隆：

git clone https://gitee.com/mirror/NL2SQL_Handbook.git  # 示例地址，请以实际存在的镜像为准
# 或者使用 gitclone.com 加速
git clone https://gitclone.com/github.com/HKUSTDial/NL2SQL_Handbook.git

2. 进入目录

cd NL2SQL_Handbook

3. 查看核心资源

克隆完成后，您可以直接在本地浏览以下核心内容：

• 综述与教程：查看根目录下的 README.md 获取论文列表和链接。
• 详细技术章节：进入 chapter/ 目录查看模块化技术详解。
• 演示文稿：进入 slides/ 目录下载 PDF 格式的学术会议报告。

基本使用

本手册的核心价值在于其结构化的知识导航。以下是三种最常用的使用方式：

1. 查阅模块化技术细节

项目将 Text-to-SQL 流程拆分为三个核心模块，您可以直接阅读对应的 Markdown 文件获取技术实现思路：

• 预处理 (Pre-processing)：增强模型输入，解决歧义。

  cat chapter/Pre_Processing.md
  

• 翻译方法 (Translation Methods)：核心的 NL 到 SQL 转换算法。

  cat chapter/Translation_method.md
  

• 后处理 (Post-processing)：优化生成的 SQL 查询，确保准确性。

  cat chapter/Post_Processing.md
  

2. 获取最新论文与代码

在 README.md 的 "Text-to-SQL Paper List" 部分，列出了最新的顶会论文（如 SIGMOD, VLDB, ICDE 等）。每项通常包含：

• Paper：论文 PDF 链接。
• Code：官方代码仓库链接。

示例：若想研究最新的 Alpha-SQL 方法，请在列表中查找对应条目，点击 Code 按钮跳转至其独立仓库进行安装和运行，因为具体算法的实现代码通常托管在独立的子项目中。

3. 学习生命周期与演进

通过查看仓库中的图片资源（位于 assets/ 目录），直观理解 Text-to-SQL 的生命周期和基于大模型的演进阶段：

• 生命周期图：assets/nl2sql_lifecycle.svg (涵盖模型、数据、评估、错误分析)
• 演进路线图：assets/The Evolution of NL2SQL Solutions from the Perspective of Language Models.svg

---

提示：如需复现具体的 SOTA 模型，请根据手册中提供的链接前往对应的子项目仓库（例如 NL2SQL360 或 Alpha-SQL），那里会有详细的 requirements.txt 和训练脚本。