TRUST-SQL: Tool-geïntegreerd Multi-Turn Reinforcement Learning voor Text-to-SQL over Onbekende Schema's
TRUST-SQL: Tool-Integrated Multi-Turn Reinforcement Learning for Text-to-SQL over Unknown Schemas
March 17, 2026
Auteurs: Ai Jian, Xiaoyun Zhang, Wanrou Du, Jingqing Ruan, Jiangbo Pei, Weipeng Zhang, Ke Zeng, Xunliang Cai
cs.AI
Samenvatting
Text-to-SQL-parsing heeft een opmerkelijke vooruitgang geboekt onder de Volledig Schema-aanname. Dit uitgangspunt faalt echter in reële bedrijfsomgevingen, waar databases honderden tabellen bevatten met enorme hoeveelheden ruise metadata. In plaats van het volledige schema vooraf in te brengen, moet een agent actief alleen het relevante subset identificeren en verifiëren, wat aanleiding geeft tot het Onbekend Schema-scenario dat we in dit werk bestuderen. Om dit aan te pakken, stellen we TRUST-SQL voor (Truthful Reasoning with Unknown Schema via Tools). We formuleren de taak als een Partieel Observeerbaar Markov Beslissingsproces, waarbij onze autonome agent een gestructureerd vierfasenprotocol gebruikt om redenering te gronden in geverifieerde metadata. Cruciaal is dat dit protocol een structurele grens biedt voor onze nieuwe Dual-Track GRPO-strategie. Door token-level gemaskeerde voordelen toe te passen, isoleert deze strategie beloningen voor exploratie van uitvoeringsresultaten om credit assignment op te lossen, wat een relatieve verbetering van 9,9% oplevert ten opzichte van standaard GRPO. Uitgebreide experimenten op vijf benchmarks tonen aan dat TRUST-SQL een gemiddelde absolute verbetering bereikt van respectievelijk 30,6% en 16,6% voor de 4B- en 8B-varianten ten opzichte van hun basismodellen. Opmerkelijk is dat ons framework, ondanks volledig zonder vooraf geladen metadata te werken, consistent evenaart of overtreft ten opzichte van sterke baseline-methoden die afhankelijk zijn van schema-prefilling.
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.