许可协议：Apache-2.0
支持语言：

• 英语
  库名称：transformers

文本转SQL翻译模型——千禧一代隆重登场 🎉

欢迎来到我们的文本转SQL翻译模型仓库！本模型专为文本转SQL任务微调，旨在革新系统理解自然语言指令并转换为SQL查询的方式。基于Mistral 7B架构，我们通过精心筛选的10万条SQL查询生成指令数据集进行细致微调，确保质量与精确度。

核心特性

• 专注自然语言文本到SQL查询的转换
• 基于10万条多样化SQL查询生成指令微调
• 轻松集成，实时生成SQL查询

生成响应

模型微调完成后，您可快速将自然语言指令转化为SQL查询。通过generate.py脚本（支持从Hugging Face模型中心直接加载模型）实现快速推理。使用方法如下：

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("budecosystem/sql-millennials-7b")
model = AutoModelForCausalLM.from_pretrained("budecosystem/sql-millennials-7b")

prompt = "模拟好奇用户与AI助手的对话。助手需针对用户提供的表结构和问题生成详细SQL查询。用户指令：根据给定表结构创建查询"

inputs = tokenizer(prompt, return_tensors="pt")
sample = model.generate(**inputs, max_length=128)
print(tokenizer.decode(sample[0]))

该脚本将调用Hugging Face模型中心的预训练模型进行推理，并打印生成的SQL查询。

训练详情

使用4块A100 80GB显卡训练约30小时完成。

为何命名"千禧一代"？

1. 企业自动化数据库管理
   场景：中小企业常缺乏专业IT团队处理数据库查询，难以快速获取分析决策所需数据。
   应用：将模型集成至内部系统后，非技术人员可通过自然语言指令（如"获取上季度所有超1万美元交易记录"）自动生成SQL查询。

2. 数据分析流程自动化
   场景：分析师常因SQL编写复杂度遭遇效率瓶颈。
   应用：模型可即时转换"显示过去五年在线销售增长趋势"等自然语言请求为SQL查询，并联动可视化工具快速生成洞察。

3. 增强CMS系统交互
   场景：内容管理系统对非技术用户不够友好。
   应用：内容管理员输入"查找2023年5月浏览量超500的所有博客"等指令，模型自动生成对应查询。

4. 优化客户支持效率
   场景：客服人员需频繁查询客户数据库但缺乏SQL知识。
   应用：集成至工单系统后，"显示本月纽约客户所有未解决工单"等请求可即时转换为数据查询。

5. 数据新闻与学术研究
   场景：记者研究者需查询复杂数据库但技术能力有限。
   应用：输入"获取2022年德州平均家庭收入"等自然语言请求，模型直接返回结构化数据。

贡献指南

欢迎提交PR或议题讨论改进方案。

致谢

感谢开源社区与研究者的奠基性工作为本模型铺平道路。