LIMIT：Text-to-SQL 指令微调中的少即是多

一篇 arXiv 论文提出 LIMIT 框架，用于 Text-to-SQL 的指令微调。该框架先做难度感知过滤，筛出模型学习前沿内的样本，再经思维链合成与一致性选择、LLM-as-judge 多维质量打分，最后用遗传算法同时优化 schema 覆盖与样本质量。在 BIRD 和 Spider 上仅选 796 和 863 条样本，达到 100% 表覆盖，使 Qwen3-8B 执行准确率分别达 69.1% 和 88.9%，超过用 20 倍数据训练的方法。

此前 Text-to-SQL 的推理增强微调普遍假定数据规模驱动性能，依赖大规模指令语料。该结果把关注点从扩大数据量转向数据筛选策略，同样的基座模型在数百条精选样本上即可超过用约 20 倍数据训练的方法，并称在开源方法中达到新的最优水平，为数据成本与效果的关系提供了不同答案。

机制核心是样本选择而非数据堆积：难度感知过滤让训练样本落在模型当前学习前沿，避免过易或过难样本；思维链合成配合一致性选择提升推理轨迹可靠性；LLM-as-judge 从多个维度打分控制质量；遗传算法在 schema 覆盖与样本质量之间联合寻优，因此少量样本也能覆盖全部表结构并释放数据库推理能力。

对研发的直接含义是微调成本结构可能改变：数据标注、清洗与训练算力投入可大幅压缩，迭代周期变短。产品侧可在同等模型规模下用更小数据集快速适配垂直数据库场景。若结果可复现，团队应把资源从扩充语料转向构建筛选与质量评估流程，并重新评估此前为扩数据所做的投入。

• 构建面向 Text-to-SQL 的样本筛选流水线，把难度过滤、质量打分与 schema 覆盖优化固化为可复用工具
• 在垂直数据库产品中用小规模精选样本做快速微调试验，对比现有大规模语料方案的成本与准确率
• 提供以 schema 覆盖率与执行准确率为双指标的微调数据审计服务，替代单纯按数据量采购语料
• 针对已部署模型建立学习前沿评估，按模型当前能力动态选择下一批训练样本

• 证据未说明实验的完整基线配置、训练超参数与推理设置，结果能否在其他基座模型上复现尚不明确
• 796 与 863 条样本的选择成本、LLM-as-judge 与遗传算法的计算开销未被量化
• BIRD 与 Spider 之外的真实企业数据库、跨库与多轮查询场景是否同样有效尚未验证
• 100% 表覆盖与执行准确率提升之间的因果关系强度，以及样本质量评分的稳定性，证据未给出消融细节