CA-SQL：基于探索与计算预算分配的复杂度感知 Text-to-SQL 推理时推理

尽管推理时学习提升了大模型在 Text-to-SQL 任务上的表现，但在 BIRD 基准的高难度任务上仍显不足，主要归因于解空间探索不充分。为此，本文提出 CA-SQL，一种根据任务预估难度动态扩展候选解生成广度的新型流程。该方法结合基于进化搜索原理的提示种子策略以激发探索行为，并引入新颖投票机制优选最终方案。实验表明，仅使用 GPT-4o-mini 即在 BIRD 高难度子集上取得 51.72% 的 SOTA 成绩，整体执行准确率达 61.06%。