본 논문은 Text-to-SQL 모델의 파인튜닝을 향상시키기 위해 Chain-of-Thought(CoT) 추론을 생성하는 프레임워크를 제시합니다. 이 추론은 최종 SQL 쿼리를 구성하는 중간 단계로서 중간 SQL 문과 설명으로 구성됩니다. 소량의 예제를 수동으로 주석 처리한 후, 이를 사용하여 교사 모델로부터 반복적인 동적 퓨샷 지식 증류 절차를 통해 대규모 언어 모델을 프롬프트합니다. 그 후, 검증된 분해된 쿼리에 대해 추론 모델을 훈련하여 Text-to-SQL 데이터셋에 대한 광범위한 합성 CoT 주석을 생성합니다. BIRD 데이터셋에서 이러한 추론을 사용하여 소규모 언어 모델을 파인튜닝하고, 그 결과를 비교 분석합니다. 단계별 쿼리 생성은 특히 중간 및 고난도의 복잡한 쿼리에 대한 실행 정확도를 향상시키고 설명 가능성을 높이는 것으로 나타났습니다.
