synthetic_text_to_sql_reasoning
收藏资源简介：
这是一个使用Gretel Navigator设计和生成的、高质量的合成文本到SQL样本的丰富数据集，并遵循Apache 2.0协议发布。原始数据集包括105,851条记录，分为100,000条训练记录和5,851条测试记录，涵盖了100个不同的领域/垂直领域，包括数据定义、检索、操作、分析和报告的全面SQL任务。此外，数据集还包含了详细的推理轨迹，这些轨迹展示了如何系统地解决SQL生成问题的步骤，以及使用LLM评估的推理轨迹质量。数据集的目的是为了训练大型语言模型以生成带有系统性推理方法的SQL查询。
This is a rich, high-quality synthetic text-to-SQL sample dataset designed and generated using Gretel Navigator, released under the Apache 2.0 license. The original dataset contains 105,851 records, split into 100,000 training records and 5,851 test records, covering 100 distinct domains/verticals and encompassing comprehensive SQL tasks including data definition, retrieval, manipulation, analysis and reporting. Additionally, the dataset includes detailed reasoning trajectories that demonstrate the step-by-step systematic approaches to solving SQL generation problems, as well as the quality of these reasoning trajectories evaluated using LLMs. The goal of this dataset is to train large language models (LLMs) to generate SQL queries with systematic reasoning methodologies.
数据集概述
基本信息
- 许可证: Apache 2.0
- 任务类别: 文本生成
- 语言: 英语
- 标签: SQL、代码生成、推理、合成
- 规模: 10万到100万条记录
数据集描述
该数据集是gretelai/synthetic_text_to_sql的增强版本，使用Nemo Data Designer和openai/gpt-oss-120b添加了合成推理痕迹。
原始数据集包含：
- 105,851条记录，分为100,000条训练记录和5,851条测试记录
- 约2300万个总标记，包括约1200万个SQL标记
- 覆盖100个不同领域/垂直行业
- 全面的SQL任务：数据定义、检索、操作、分析和报告
- 广泛的SQL复杂度级别，包括子查询、单连接、多连接、聚合、窗口函数、集合操作
- 数据库上下文，包括表和视图创建语句
- SQL查询的自然语言解释
- 优化模型训练的上下文标签
增强功能：推理痕迹
此增强版本添加了：
- 详细的推理痕迹，展示SQL生成的逐步思考过程
- 使用LLM法官对推理痕迹进行质量评估
- 用于教授系统SQL生成方法的训练优化格式
每条记录现在包括：
reasoning_trace：包含6-12个推理步骤的结构化JSON对象，展示如何系统处理SQL生成问题quality_assessment：LLM法官对推理痕迹质量的评估（0-4分制）
预期用途
该数据集设计用于训练大型语言模型以系统推理方法生成SQL查询。推理痕迹可作为模型将自然语言请求转换为SQL时学习的示例思维模式。
生成过程
推理痕迹使用以下工具生成：
- 生成模型：通过Nemo Data Designer使用openai/gpt-oss-120b
- 评估模型：使用openai/gpt-oss-120b进行质量评估
- 系统：采用逆向推理模拟技术，从现有SQL解决方案生成导致它们的推理过程
数据集结构
json { "id": 5097, "domain": "forestry", "sql_prompt": "What is the total volume of timber sold by each salesperson, sorted by salesperson?", "sql_context": "CREATE TABLE salesperson...", "sql": "SELECT salesperson_id, name, SUM(volume)...", "sql_explanation": "Joins timber_sales and salesperson tables...", "reasoning_trace": { "reasoning_steps": [ "1. Parse the request: identify the metric...", "2. List the tables in the schema...", "..." ] }, "quality_assessment": { "ReasoningQuality": { "score": "3", "reasoning": "The reasoning trace is thorough..." } } }
引用
如果使用此数据集，请同时引用原始Gretel数据集并提及推理增强：
Original dataset: gretelai/synthetic_text_to_sql Enhanced with reasoning traces using Nemo Data Designer and openai/gpt-oss-120b
