Rose-SQL：基于角色-状态演化引导的结构化多轮文本转 SQL
计算与语言
2026-05-06 v1
摘要
近期大型推理模型 (LRM) 通过长链式思维训练显示出在代码生成和数学推理方面的显著能力。然而，这些模型在多轮文本转 SQL 任务中的潜力仍 largely 未被探索。现有方法通常依赖不稳定的 API 推理或需要在小规模模型上进行高昂的 fine-tuning。在本工作中，我们提出了 Rose-SQL，一个无需 training 的框架，通过 in-context learning 利用小规模 LRM 实现准确的 context-dependent 解析。我们引入了角色-状态 (Role-State)，作为结构蓝图，将 schema linking 与 SQL 生成之间的细粒度结构鸿沟连接起来。为处理对话依赖性，Rose-SQL 通过结构同构检查追踪角色-状态随历史上下文的演化，引导模型通过已验证的 interaction 轨迹推断当前问题的可能 SQL 组成。在 SParC 和 CoSQL 数据集上进行的实验表明，在 Qwen3 系列模型中，Rose-SQL 在 4B 参数规模下优于 in-context learning 基线方法，在 8B 和 14B 参数规模下显著超越最新 fine-tuned 模型，并在额外的推理 backbones 上表现出一致的提升。
引用
@article{arxiv.2605.03720,
title = {Rose-SQL: Role-State Evolution Guided Structured Reasoning for Multi-Turn Text-to-SQL},
author = {Le Zhou and Feng Yao and Fengcai Qiao and Bo Xu and Fangyuan Wang and Boyan Xu},
journal= {arXiv preprint arXiv:2605.03720},
year = {2026}
}