LLM 기반 Text-to-SQL 시스템의 기존 수정 방법은 효과가 제한적이며, 자가 수정 과정에서 새로운 오류를 발생시키고 의미상의 부정확성을 감지하고 수정하는 데 실패하는 경우가 많습니다. 본 논문에서는 구문 및 의미 오류를 포함한 세부적인 오류를 절 단위로 찾아내는 기준점인 SQLCriticBench와 함께 절 단위 비평 생성 작업을 제시합니다. 또한, 선호하는 비평과 선호하지 않는 비평 간의 절 단위 불일치에 따라 β 계수를 적응적으로 변경하는 DPO 변형을 사용하여 SQLCritic 모델을 학습하는 방법을 제안합니다. 비용 효율적인 방식으로 대규모 절 단위 비평을 주석 처리하는 자동화된 데이터셋 관리 파이프라인도 제안합니다. 실험 결과, SQLCritic 모델은 BIRD 및 Spider 데이터셋에서 SQL 정확도를 크게 향상시켰으며, SQLCriticBench 결과는 기존 모델에 비해 우수한 비평 능력을 보여줍니다.