TRUST-SQL: Aprendizaje por Refuerzo Multiturno Integrado con Herramientas para Texto-a-SQL sobre Esquemas Desconocidos

TRUST-SQL: Tool-Integrated Multi-Turn Reinforcement Learning for Text-to-SQL over Unknown Schemas

March 17, 2026

Autores: Ai Jian, Xiaoyun Zhang, Wanrou Du, Jingqing Ruan, Jiangbo Pei, Weipeng Zhang, Ke Zeng, Xunliang Cai

cs.AI

Resumen

El análisis Text-to-SQL ha logrado un progreso notable bajo el supuesto de Esquema Completo. Sin embargo, esta premisa falla en entornos empresariales reales donde las bases de datos contienen cientos de tablas con metadatos masivos y ruidosos. En lugar de inyectar el esquema completo de antemano, un agente debe identificar y verificar activamente solo el subconjunto relevante, dando lugar al escenario de Esquema Desconocido que estudiamos en este trabajo. Para abordarlo, proponemos TRUST-SQL (Razonamiento Veraz con Esquema Desconocido mediante Herramientas). Formulamos la tarea como un Proceso de Decisión Markoviano Parcialmente Observable donde nuestro agente autónomo emplea un protocolo estructurado de cuatro fases para fundamentar el razonamiento en metadatos verificados. Crucialmente, este protocolo proporciona un límite estructural para nuestra novedosa estrategia GRPO de Doble Vía. Al aplicar ventajas enmascaradas a nivel de token, esta estrategia aísla las recompensas de exploración de los resultados de ejecución para resolver la asignación de crédito, logrando una mejora relativa del 9.9% sobre el GRPO estándar. Experimentos exhaustivos en cinco benchmarks demuestran que TRUST-SQL logra una mejora absoluta promedio del 30.6% y 16.6% para las variantes de 4B y 8B respectivamente sobre sus modelos base. Notablemente, a pesar de operar completamente sin metadatos precargados, nuestro marco iguala o supera consistentemente líneas base sólidas que dependen del prellenado de esquemas.

English

Text-to-SQL parsing has achieved remarkable progress under the Full Schema Assumption. However, this premise fails in real-world enterprise environments where databases contain hundreds of tables with massive noisy metadata. Rather than injecting the full schema upfront, an agent must actively identify and verify only the relevant subset, giving rise to the Unknown Schema scenario we study in this work. To address this, we propose TRUST-SQL (Truthful Reasoning with Unknown Schema via Tools). We formulate the task as a Partially Observable Markov Decision Process where our autonomous agent employs a structured four-phase protocol to ground reasoning in verified metadata. Crucially, this protocol provides a structural boundary for our novel Dual-Track GRPO strategy. By applying token-level masked advantages, this strategy isolates exploration rewards from execution outcomes to resolve credit assignment, yielding a 9.9% relative improvement over standard GRPO. Extensive experiments across five benchmarks demonstrate that TRUST-SQL achieves an average absolute improvement of 30.6% and 16.6% for the 4B and 8B variants respectively over their base models. Remarkably, despite operating entirely without pre-loaded metadata, our framework consistently matches or surpasses strong baselines that rely on schema prefilling.