什么能预测 Text-to-SQL 的正确性？一项选择性预测研究

本文研究了在复杂多表 Text-to-SQL 任务中，哪些信号能有效预测生成 SQL 查询的正确性。实验表明，黑盒信号和白盒日志概率的区分度有限（AUROC 约 0.67），而基于大模型判断的验证方法显著更优，双提供者集成可达 0.82。研究发现，微调验证器在域内表现良好但跨模式泛化能力差，跨模式迁移主要依赖模型规模和推理能力而非微调。结论指出，Text-to-SQL 的不确定性本质上是推理问题，通用验证需依赖大规模冻结推理模型。