近日，一篇题为《EXPO-SQL: Execution-based Clause-level Policy Optimization for Text-to-SQL》的论文被ACL 2026 Findings接收。该研究由Jaehoon Lee等七位作者共同完成，针对Text-to-SQL任务中现有强化学习（RL）方法奖励设计粗粒度的问题，提出了一种基于执行的子句级策略优化方法。
Text-to-SQL旨在通过自然语言生成可执行的SQL查询，让用户无需掌握数据库查询语言即可获取数据。近年来，大语言模型结合强化学习的方法被广泛采用，利用执行反馈进行训练。然而，现有RL方法将所有子句视为一个整体，分配统一的查询级奖励，导致正确和错误的子句受到同等对待，使得模型难以从错误中学习。例如，一个包含正确SELECT和错误WHERE子句的查询会获得相同的奖励，从而无法引导模型改进WHERE子句。
为了解决这一问题，研究团队提出了EXPO-SQL。该方法通过分析SQL查询的执行结果（包括错误信息和子句级逐步执行）来识别错误子句，并为每个子句分配细粒度奖励。具体来说，EXPO-SQL首先执行完整的SQL查询，获取错误信息；然后，通过逐步执行每个子句，观察中间结果，从而精确定位导致错误的子句。这种设计提供了更精确的学习信号，帮助模型更好地生成正确的SQL语句。
实验在Spider、WikiSQL等广泛使用的Text-to-SQL基准测试上进行，结果显示EXPO-SQL在性能上显著超越了现有的监督微调、提示工程和基于RL的方法。例如，在Spider测试集上，EXPO-SQL的执行准确率比最先进的RL方法提高了5个百分点。该研究的代码已开源，可在GitHub上获取（https://github.com/jhn25/EXPO-SQL）。
论文还提供了详细的实验分析，包括20页正文和8幅图表，展示了子句级奖励设计的有效性和鲁棒性。这一工作为Text-to-SQL的强化学习训练提供了新的方向，有望推动该领域在实际应用中的进一步发展。