본 논문은 기존 text-to-SQL 모델들이 SQLite 데이터셋의 한계로 인해 다양한 SQL dialect에 대한 적용이 어려운 점을 지적하며, 이를 해결하기 위한 새로운 프레임워크 ExeSQL을 제안합니다. ExeSQL은 반복적인 쿼리 생성, 실행 기반 필터링, 선호도 기반 학습을 통해 모델이 새로운 SQL dialect에 적응할 수 있도록 실행 가능한 의미를 기반으로 학습하는 방식을 채택합니다. 이는 기존의 정적 프롬프트 방식으로 생성된 부정확한 데이터를 사용하는 대신, SQL 실행을 통해 검증된 데이터를 사용함으로써 모델의 일반화 성능을 향상시킵니다. 실험 결과, ExeSQL은 PostgreSQL, MySQL, Oracle에서 GPT-4o 대비 평균 15.2%, 10.38%, 4.49%의 성능 향상을 보였습니다.
