/ Модель

Характеристики

Контекст
512 токенов
Параметры
124 млн
Лицензия
CC BY-SA 4.0
Архитектура
t5 · dense
Опубликована
31 июл 2023

flan-t5-text2sql-with-schema-v2

Генерация текстаТекст → текст3 профессии

Дообученная FLAN-T5 преобразует вопросы на английском языке и схему таблиц в SQL-запросы.

241скачиваний за 30 дней34лайкавеса обновлены25 апр 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

juierror/flan-t5-text2sql-with-schema-v2 — дообученная модель семейства T5 на основе FLAN-T5, предназначенная для преобразования вопросов на естественном языке в SQL с учётом схемы таблиц. Пример из карточки показывает передачу вопроса и названий таблиц и столбцов, после чего модель генерирует SQL-запрос.

Модель содержит 123,7 млн параметров, использует архитектуру T5ForConditionalGeneration и принимает текстовый ввод. Для генерации в примере используется максимальная длина 512 токенов; это не подтверждает длину нативного контекста модели. В обучении использовались наборы CoSQL, Spider и SParC. В метаданных указан английский язык.

Модель подходит для прототипов интерфейсов «вопрос к базе данных» и генерации запросов по заданной схеме. Качество зависит от соответствия схемы и формулировки вопроса; сгенерированный SQL следует проверять перед выполнением. Лицензия — CC BY-SA 4.0.

Сценарии применения

  • генерация SQL по вопросу на естественном языке
  • создание запросов к базе данных с учётом схемы таблиц
  • прототипирование интерфейса для запросов к базе данных на английском языке

Ограничения

Результаты могут быть неверными, если вопрос неоднозначен или схема передана неполно; SQL следует проверять перед выполнением. Пример карточки задаёт длину генерации до 512 токенов.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

This is an upgraded version of https://huggingface.co/juierror/flan-t5-text2sql-with-schema.

It supports the '<' sign and can handle multiple tables.

How to use

from typing import List
from transformers import AutoTokenizer, AutoModelForSeq2SeqLM

tokenizer = AutoTokenizer.from_pretrained("juierror/flan-t5-text2sql-with-schema-v2")
model = AutoModelForSeq2SeqLM.from_pretrained("juierror/flan-t5-text2sql-with-schema-v2")

def get_prompt(tables, question):
    prompt = f"""convert question and table into SQL query. tables: {tables}. question: {question}"""
    return prompt

def prepare_input(question: str, tables: Dict[str, List[str]]):
    tables = [f"""{table_name}({",".join(tables[table_name])})""" for table_name in tables]
    tables = ", ".join(tables)
    prompt = get_prompt(tables, question)
    input_ids = tokenizer(prompt, max_length=512, return_tensors="pt").input_ids
    return input_ids

def inference(question: str, tables: Dict[str, List[str]]) -> str:
    input_data = prepare_input(question=question, tables=tables)
    input_data = input_data.to(model.device)
    outputs = model.generate(inputs=input_data, num_beams=10, top_k=10, max_length=512)
    result = tokenizer.decode(token_ids=outputs[0], skip_special_tokens=True)
    return result

print(inference("how many people with name jui and age less than 25", {
    "people_name": ["id", "name"],
    "people_age": ["people_id", "age"]
}))

print(inference("what is id with name jui and age less than 25", {
    "people_name": ["id", "name", "age"]
})))

Dataset

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
T5ForConditionalGeneration
Ревизия весов
f59c392

0 моделей