/ Модель

Характеристики

Контекст
512 токенов
Параметры
38,5 млн
Лицензия
MIT
Архитектура
t5 · dense
Опубликована
19 мар 2024

t5-base-text-to-sql

Генерация текстаТекст → текст4 профессии

Дообученная на T5 модель преобразует вопросы на английском языке в SQL-запросы SELECT.

71скачиваний за 30 дней6лайковвеса обновлены20 мар 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

Модель suriya7/t5-base-text-to-sql — дообученная версия T5 для преобразования вопросов на естественном английском языке в SQL-запросы SELECT. Она предназначена для получения данных из баз по текстовым вопросам; в карточке приведён сценарий автоматического перевода вопросов в SQL. Архитектура — encoder-decoder T5 с 38,5 млн параметров и контекстом до 512 токенов. Модель работает с текстовым вводом и выдаёт SQL-текст на английском языке.

В README указано, что модель основана на Google T5-small и дообучена на парах английских вопросов и SQL SELECT из разных предметных областей; метаданные также связывают её с датасетом b-mc2/sql-create-context. Для оценки в карточке приведён BLEU 34,9627. Лицензия — MIT. Модель узкоспециализирована на SELECT: карточка не подтверждает поддержку записи данных, других SQL-операций или адаптацию к конкретной схеме базы данных.

Сценарии применения

  • перевод английских вопросов в SQL SELECT
  • создание SELECT-запросов для поиска данных в базе
  • автоматизация подготовки SQL по текстовому запросу

Ограничения

Модель специализирована на SQL SELECT; качество зависит от соответствия вопроса и структуры базы данным обучения. Карточка не подтверждает поддержку других SQL-операций или гарантированную корректность запросов.

Для каких профессий подходит4

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

T5-SQL-Translator

Overview

T5-SQL-Translator is a fine-tuned version of the Google T5-small model, specialized in translating English natural language queries into SQL SELECT queries. This model is trained to understand English queries and generate corresponding SQL SELECT queries for databases, making it valuable for automating the process of translating natural language to SQL, particularly for SELECT operations.

Model Details

  • Model Name: T5-SQL-Translator
  • Model Type: Text-to-Text Transformers
  • Base Model: Google T5-small
  • Language: English
  • Task: English to SQL SELECT Translation
  • Training Data: Combination of English natural language queries paired with corresponding SQL SELECT queries from diverse domains.
  • Fine-tuning: The model has been fine-tuned on a dataset of English-to-SQL SELECT translations to optimize its performance for this specific task.

Example Use Cases

  • Automatically translating English questions into SQL SELECT queries for database querying.

How to Use

  1. Install Hugging Face Transformers:
    pip install transformers
    

Inference

# Load model directly
from transformers import AutoTokenizer, AutoModelForSeq2SeqLM

tokenizer = AutoTokenizer.from_pretrained("suriya7/t5-base-text-to-sql")
model = AutoModelForSeq2SeqLM.from_pretrained("suriya7/t5-base-text-to-sql")

def translate_to_sql_select(english_query):
  input_text = "translate English to SQL: "english_query
  input_ids = tokenizer.encode(input_text, return_tensors="pt",max_new_tokens=100,do_sample=False)
  outputs = model.generate(input_ids)
  sql_query = tokenizer.decode(outputs[0], skip_special_tokens=True)
  return sql_query

# Example usage
english_query = "Show all employees with salary greater than $50000"
sql_query = translate_to_sql_select(english_query)
print("SQL Query:", sql_query)

Performance

  • Evaluation Metrics: BLEU score 34.962700

Acknowledgments

Contact

For any inquiries or issues regarding the model, feel free to contact:

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
775dc4d

0 моделей