文本到SQL（Text-to-SQL）技術旨在將自然語言查詢轉換為可執行的SQL語句，是自然語言處理與數據庫交互領域的重要研究方向。近年來，以思維鏈（Chain-of-Thought, CoT）為代表的推理型方法在複雜查詢上取得了顯著突破，但其推理過程帶來的計算開銷不容忽視。現實應用中，大量查詢僅涉及簡單的單表查找或聚合運算，強制模型執行完整的推理鏈條不僅浪費算力，還增加了用户等待時間。
為應對這一挑戰，來自研究團隊的Soohyuk Jang等人提出了AutoThinkSQL框架。該框架創新性地將自動思考機制（auto-thinking mechanism）整合到監督微調（SFT）和直接偏好優化（DPO）兩個階段中。在訓練過程中，模型學習根據查詢的複雜度動態決策是否啓動推理流程。具體而言，對於判別為簡單的查詢，模型會跳過推理步驟直接輸出SQL；而對於複雜查詢，則自動啓用深度CoT進行逐步推理。這種自適應策略在保證模型處理複雜查詢能力的同時，大幅降低了簡單查詢的資源消耗。
AutoThinkSQL的另一個亮點是其訓練方法。研究者利用DPO來優化模型的推理決策偏好，使模型能夠更精準地判斷何時需要推理。實驗在Qwen3-Coder-30B-A3B模型上進行，選用業界標準的Spider和BIRD兩個基準數據集。結果顯示，AutoThinkSQL在兩項基準上的表現均超過了現有最強基線方法。更重要的是，與純CoT生成模式相比，該框架在Spider數據集上平均減少輸出令牌約24.6%，在BIRD數據集上減少約18.3%，同時推理延遲分別降低了17.1%和11.5%。進一步的顯著性分析證實，模型確實學會了根據查詢難度調整推理深度：簡單查詢幾乎不觸發推理，而困難查詢則會啓動深度思考鏈。
該工作的代碼和模型檢查點已公開，為Text-to-SQL社區提供了一個兼顧性能與效率的新方案。AutoThinkSQL的思路對於其他需要動態推理的NLP任務同樣具有借鑑意義。隨着大模型在真實場景中的廣泛應用，如何在保證準確性的前提下降低推理成本已成為關鍵問題，AutoThinkSQL的提出正是對這一需求的有力回應。