Resumen: Modelos de lenguaje grande (LLMS) lucha con consultas complejas de texto a SQL que exigen un razonamiento matemático sofisticado y una intrincada navegación de esquemas. Los métodos existentes a menudo abordan estos desafíos de forma aislada, creando un proceso de razonamiento fracturado que compromete la corrección lógica y estructural. Para resolver esto, presentamos a SteinersQL, un marco que unifica estos desafíos duales en un solo problema de optimización centrado en gráficos. SteinersQL opera en tres etapas: descomposición matemática para identificar tablas requeridas (terminales), construcción de andamios de razonamiento óptimo a través de un problema de árbol Steiner y validación de niveles múltiples para garantizar la corrección. En los desafiantes puntos de referencia LogicCat y Spider2.0-Lite, SteinersQL establece un nuevo estado del arte con una precisión de ejecución de 36.10% y 40.04%, respectivamente, utilizando Gemini-2.5-Pro. Más allá de la precisión, SteinersQL presenta un nuevo paradigma unificado para texto a SQL, allanando el camino para soluciones más robustas y principales a tareas de razonamiento complejas.
Publicado Originalme en export.arxiv.org El 24 de septiembre de 2025.
Ver Fuente Original
