最近、ACL 2026 Findingsに採択された論文「EXPO-SQL: Execution-based Clause-level Policy Optimization for Text-to-SQL」が注目を集めている。本研究はJaehoon Lee氏を含む7名の著者によるもので、自然言語からSQLクエリを生成するText-to-SQLタスクにおいて、既存の強化学習（RL）手法の報酬設計が粗いという問題に取り組んでいる。
Text-to-SQLは、ユーザーがデータベースに自然言語で質問し、実行可能なSQLクエリを自動生成する技術である。近年、大規模言語モデルを用いたRL手法が広く採用され、実行フィードバックを活用して学習を行っている。しかし、既存のRL手法では、SQLクエリ内のすべての句を一律に扱い、クエリ全体に対して単一の報酬を割り当てるため、正しい句と誤った句が同じように評価され、効果的な学習が妨げられていた。例えば、SELECT句が正しくてもWHERE句が誤っているクエリは、両方の句が同じ報酬を受け取るため、モデルはWHERE句の誤りを修正する方向に学習しづらい。
この問題を解決するため、研究チームはEXPO-SQLを提案した。本手法は、SQLクエリの実行結果（エラーメッセージや句ごとの逐次実行）を分析し、誤った句を特定して句レベルで細かい報酬を割り当てる。具体的には、まず完全なクエリを実行してエラー情報を取得し、次に各句を段階的に実行して中間結果を観察することで、エラーの原因となっている句を特定する。これにより、モデルはより正確な学習信号を得ることができ、正しいSQL生成が促進される。
SpiderやWikiSQLなど広く使われているText-to-SQLベンチマークでの実験では、EXPO-SQLが従来の教師ありファインチューニング、プロンプティング、RL手法を大幅に上回る性能を示した。例えば、Spiderテストセットでは、最先端のRL手法と比較して実行正確率が5%向上した。研究チームはコードをGitHub（https://github.com/jhn25/EXPO-SQL）で公開しており、再現性を確保している。
論文は20ページの本文と8つの図表を含み、句レベル報酬設計の有効性と頑健性を詳細に示している。この研究はText-to-SQLにおける強化学習訓練に新たな方向性を提供し、実応用への発展が期待される。