Gemini‑SQL2
Gemini‑SQL2 — это возможность преобразования естественного языка в готовые к выполнению SQL‑запросы, построенная на модели Gemini 3.1 Pro. Google позиционирует её не как отдельную фундаментальную модель, а как улучшенный механизм «text‑to‑SQL».
Бенчмарки
Оценка проводилась по BIRD (BIg Bench for Large‑scale Database Grounded Text‑to‑SQL Evaluation) — набору из 12 751 пары «вопрос‑SQL» из 95 баз данных и 37 профессиональных доменов. В отличие от старых наборов (например, Spider), BIRD содержит «грязные» данные и требует внешних знаний.
Метрика измеряет execution accuracy (EX): сгенерированный запрос должен выполниться и вернуть те же результаты, что и эталонный. Gemini‑SQL2 достиг 80.04 % EX в категории Single Model, обойдя предыдущую версию Gemini‑SQL (~77 %). Человеческий уровень — 92.96 %.
Как выглядит лидерборд
На графике, опубликованном Google, Gemini‑SQL2 занимает первое место, а Gemini‑SQL — второе. Ниже — приблизительные показатели других систем:
- Q‑SQL (AWS) — ~76.5 %
- Databricks RLVR 32B — ~75.7 %
- SiriusAI‑Text2SQL‑32B‑v2 (Tencent) — ~75.0 %
- Arctic‑Text2SQL‑R1‑32B (Snowflake) — ~73.9 %
- GPT‑5.5‑xhigh (OpenAI) — ~72.5 %
- SQLWeaver‑32B (Alibaba) — ~71.7 %
- Claude Opus 4.6 (Anthropic) — ~70.1 %
Практические сценарии
- Самообслуживание аналитики: менеджер по доходам запрашивает «monthly recurring revenue by region for accounts churned within 90 days after upgrade». Запрос требует JOIN‑ов, оконных функций и работы с датами. Gemini‑SQL2 генерирует запрос, который действительно выполняется и возвращает корректные строки.
- Черновики трансформаций данных: разработчики могут формировать преобразования BigQuery из простого английского описания, а затем проверить их вручную, экономя время на написании кода с нуля.
- Встроенные «спросите ваши данные» функции: SaaS‑продукты добавляют естественно‑языковой интерфейс. При 80 % точности всё ещё нужен человек‑ревизор, но количество ошибок снижается примерно на одну пятую.
Пример реализации
Публичный API Gemini‑SQL2 ещё не объявлен, но пока можно использовать текущий Gemini 3.1 Pro через google‑genai SDK. Когда модель будет доступна, замените строку модели на её идентификатор.
from google import genai
client = genai.Client() # читает GEMINI_API_KEY из окружения
schema = """
CREATE TABLE orders (
order_id INTEGER, customer TEXT, region TEXT,
amount REAL, status TEXT, created_at DATE
);
"""
question = "Total paid order amount by region in 2026, highest first."
prompt = f"""You are a text-to-SQL system.
Schema:{schema}
Question: {question}
Return only one executable SQLite query. No explanation."""
resp = client.models.generate_content(
model="gemini-3.1-pro-preview", # заменить на Gemini‑SQL2 когда будет доступен
contents=prompt,
)
print(resp.text)
В продакшене следует добавить проверку выполнения: запустить полученный запрос, отловить ошибки и при необходимости повторить генерацию, добавив сообщение об ошибке в промпт. Такой цикл имитирует измерение execution accuracy в BIRD.
Ключевые выводы
- Gemini‑SQL2 демонстрирует 80.04 % execution accuracy на BIRD (single‑model).
- Технология ориентирована на «execution‑ready» SQL, а не просто на синтаксически корректный код.
- Google удерживает два топовых места в публичном лидерборде; человеческий уровень — 92.96 %.
- API, модель‑карточка и детали интеграций пока не опубликованы.
Подробности анонса доступны в сообщении Google Research в X. Исходный код примера выше использует официальную библиотеку google‑genai.
