STEER：通过语义引导采样降低关系基础模型的推理成本

STEER 是一种面向关系型基础模型（RFM）的采样方法。RFM 通过外键采样目标行的邻域行作为推理上下文，上下文越大成本越高。STEER 用大语言模型依据数据库 schema 对外键边做相关性分层排序，再按层映射为遍历概率，从而把上下文集中到与任务最相关的表上。在 RT、RT-J、Griffin 三个模型上评测，平均缩减约 40% 推理上下文，准确率保持甚至部分提升。

此前压缩 RFM 推理上下文主要靠随机丢弃采样行，不考虑数据库 schema 语义，容易误删有信息量的行。STEER 首次把外键边的任务相关性排序引入采样过程，并且排序只依赖 schema、每任务计算一次即可复用，使成本压缩与准确率不再直接对立。

RFM 的推理成本随上下文行数增长。STEER 先用大语言模型读取数据库 schema，把外键边按与当前任务的相关性划分层级，再将每个层级映射为遍历该边的概率。遍历时按概率决定是否沿边采样，高相关表被保留、低相关表被跳过，因此上下文缩小但保留信息量较大的行。由于排序输入只有 schema，与具体目标行无关，一次任务级排序可摊销到所有后续预测。

对使用 RFM 做零样本跨库预测的团队，上下文缩小约 40% 意味着推理算力、显存与延迟下降，同时准确率不降。实现上需要接入大语言模型做一次 schema 级边排序，并维护按任务缓存的边分层结果。若产品按推理量计费，可直接影响单次预测成本结构。

• 在自建 RFM 推理服务中接入 STEER 式边分层缓存，按任务维度复用排序结果，降低单位预测成本。
• 针对客户已有 schema 生成外键边相关性分层的可解释报告，作为数据接入与调优交付物。
• 在推理框架中提供上下文预算参数，用分层概率做可调的精度与成本权衡。
• 对高频重复任务预先计算边分层并落库，减少对大语言模型排序的重复调用。

• STEER 在大规模多表 schema 上的排序开销与稳定性尚未说明。
• 证据只覆盖 RT、RT-J、Griffin 三个模型，对其他 RFM 是否同样有效未知。
• 约 40% 平均缩减与准确率提升的具体任务分布、方差和评测基准未给出。
• 尚未确认是否存在公开代码或可复现实现。