面向 Text-to-SQL 集成的残差技能优化

Text-to-SQL 集成方法通过生成多个候选 SQL 并选择最优解来提升性能，但其效果受限于 Pass@K 上限。现有方法依赖随机解码等启发式策略获取多样性，导致候选集存在相关性失败。本文提出 DivSkill-SQL，一种无需微调的残差技能优化框架，通过针对当前技能集合失败的样本优化新技能，最大化其对 Pass@K 的边际贡献。实验表明，该方法在多个基准和模型上显著优于现有集成基线，且具备跨方言和任务迁移能力，有效减少了幻觉错误。