大型語言模型（LLM）能夠生成SQL查詢，但在企業級部署中，僅僅生成合理的文本遠遠不夠。輸出必須嚴格符合語法規則，尊重基於角色和模式的訪問控制策略，提供可證明的保證（而非盡力而為），並且隨著生成序列增長不得降低效能，同時還需為每個決策留下符合合規性要求的完整記錄。針對這些嚴苛需求，研究人員提出了GRID（Grammar-Railed Decoding）——一種創新的語法約束解碼引擎。
GRID的核心創新在於其掩碼生成機制。傳統方法通常基於令牌序列來生成下一個令牌的掩碼，而GRID則另闢蹊徑，利用解析器配置（即詞法掃描狀態與LALR(1)棧的組合）作為掩碼鍵，並使用逐步推進的LALR(1)解析器本身作為可行字首的預言機。透過位元組級的Trie遍歷，LLM的令牌被橋接到語法終結符，並採用上下文無關與上下文相關的分離設計，從而確保快取鍵的正確性由構造本身保證。
角色訪問控制（RBAC）被直接編譯進語言中：角色投影對語法產生式進行子集化，模式詞表限制識別符號終結符，因此所有禁止的動詞和識別符號在掩碼層面即不可達，從根本上杜絕了越權操作。GRID提供了四項形式化保證——正確性、完備性、終止性和近似恆定的每令牌成本，每項保證都附有明確的先決條件，並透過測試或基準進行了驗證。
效能方面，GRID的Rust核心實現了極低的延遲：每令牌掩碼生成中位數僅為3.6至6.7微秒，在兩種主流分詞器上均優於llguidance（在p50和p90百分位），且零誤拒。每令牌的防護成本在序列長度達16,000時仍與位置無關，保持了恆定的效能。在Spider基準測試中，使用約束解碼使0.5B模型的執行準確率提升了13個百分點；對於掩碼無法強制執行的殘餘問題（如列級策略），透過一次檢查器引導的修復過程，7B模型的可執行率達到了94.5%。
此外，GRID還提供了基於雜湊鏈的每令牌審計追蹤，可以位元級精確地重放生成過程，並100%檢測任何篡改。研究人員也坦誠指出了掩碼技術的侷限性，包括無法保證分佈忠實性、無法處理列級RBAC、不支援非LALR(1)語言，以及當前可測成本的範圍等。這些透明公開的討論為未來的改進指明瞭方向。