본 논문은 대규모 언어 모델(LLM)이 Text-to-SQL 작업에서 데이터베이스 내용을 완전히 이해하는 능력을 제한하는 기존 방식의 한계를 해결하기 위해, 추론 중에 데이터베이스의 자체 구동 탐색을 가능하게 하는 SDE-SQL 프레임워크를 제안합니다. SDE-SQL은 SQL 탐색을 생성하고 실행하여 모델이 데이터베이스에서 정보를 적극적으로 검색하고 데이터에 대한 이해를 반복적으로 업데이트할 수 있도록 합니다. 기존 방법과 달리, SDE-SQL은 제로샷 설정에서 작동하며, 문맥 내 데모로 질문-SQL 쌍에 의존하지 않습니다. Qwen2.5-72B-Instruct 모델을 사용한 BIRD 벤치마크 평가 결과, SDE-SQL은 기본 Qwen2.5-72B-Instruct 모델 대비 실행 정확도가 8.02% 향상되었으며, 지도 학습 미세 조정(SFT)이나 모델 앙상블 없이 오픈소스 모델 기반 방법 중 최첨단 성능을 달성했습니다. 또한, SFT를 사용하면 SDE-SQL의 성능을 추가적으로 0.52% 향상시킬 수 있습니다.
