论文标题
Reward-SQL: Boosting Text-to-SQL via Stepwise Reasoning and Process-Supervised Rewards
论文地址
https://arxiv.org/pdf/2505.04671
代码地址
https://github.com/ruc-datalab/RewardSQL
作者背景
中国人民大学，香港科技大学广州，阿里云，清华大学
前言
CTE是大部分数据库系统都支持的SQL表达模式，这种模式恰好能作为过程奖励模型的构建依据，从而显著减轻了在Text-to-SQL任务上应用PRMs的标注难度
动机
在Text-to-SQL任务中，模型的推理能力至关重要，但实践中经常发现"推理链条越长，模型产生幻觉的风险就越高"，即在复杂查询场景中引入无关或错误的步骤，会显著降低查询准确率。于是我们希望使用强化学习来来评估和监督生成结果，以提高推理准确性。
过程奖励模型（PRMs）能为训练过程提供细粒度的奖励信号，识别推理过程中的关键错误，或许能有效缓解上述问题。然而，在Text-to-SQL任务中有效利用PRMs并非易事，一方面需要构建适合Text-to-SQL任务的中间推理步骤，并设计能准确评估这些步骤的PRM；另一方面，要探索如何将PRM最优地整合到训练和推理流程中，以最大化其指导效果，同时确保模型能发展出真正的SQL推理能力，而不是仅仅优化奖励信号
于是作者设计了一套应用于Text-to-SQL任务的PRMs方法，并探索了多种训练与推理范式
本文方法
本文提出REWARD-SQL框架，其核心在于引入链式公共表表达式（Chain-of-CTEs, COCTE）作为中间推理步骤，并设计相应的PRM来评估这些步骤。
一、COCTE介绍
COCTE将复杂的SQL查询分解为一系列公共表表达式（CTEs），每个CTE代表一个独立的推理步骤，最终通过这些CTE构建出完整的SQL查询。CTE是SQL查询中定义的临时命名结果集，使复杂查询更易于管理和阅读。COCTE的优势在于提供可解释性和灵活性，每个CTE产生一个具体的、可执行的中间结果，并且COCTE形成一个有向无环图，每个步骤可以引用任何前面的步骤
简单来说就是要求生成的SQL都按照以下形式书写：
sql
WITH step1 AS (
-- 第一步的查询逻辑
),
step2 AS (
-- 基于step1结果的第二步查询逻辑
),
step3 AS (
-- 基于step2的第三步查询逻辑
)
SELECT*FROM step3;
二、模型初始化
- 策略模型冷启动
在BIRD训练集上，手动编写一些COCTEs示例，提示强模型将其他SQL语句转换为COCTEs；然后执行这些COCTEs并保留与原始SQL结果一致的样本；此外还使用SQL语法树编辑距离过滤语义相似的样本，确保数据多样性。然后通过SFT训练开源模型，使之具备基本的SQL能力 - 过程奖励模型训练
通过蒙特卡洛树搜索（MCTS）算法探索多样化的推理路径，并标记每个步骤的正确性。使用二元交叉熵损失函数训练PRM，使其能够准确评估每个CTE步骤的正确性
三、优化策略
- 奖励设计： 训练时同时使用过程奖励和结果奖励
- 离线训练方法:
- 拒绝采样（RS）： 生成多个COCTEs，根据PR和OR分数过滤，保留高分样本进行微调
- 直接偏好优化（DPO）： 利用样本之间的比较信息，通过Bradley-Terry偏好模型优化策略
- 在线训练方法 ： 分组相对策略优化（GRPO）在线更新策略模型，利用PRM的步骤级分数指导策略更新，通过分组相对优势减少方差和计算负担
- 推理时奖励辅助 ： 在推理过程中也让奖励模型参与决策：让模型生成多个候选COCTEs，使用PRM选择得分最高的候选作为最终输出
上述RS、DPO、GRPO以及推理时奖励辅助刚好对应了四种典型的奖励信号处理方式，如下图所示：
- RS：仅针对过程正确且结果正确的样本进行奖励
- DPO：奖励过程、结果都正确的样本，惩罚过程、结果都错误的样本
- GRPO：奖励过程、结果都正确的样本，惩罚其他所有样本。其中，【过程正确但结果错误】表明推理链条中存在隐蔽的逻辑缺陷，为了提高大模型推理能力所以需要惩罚；【过程错误但结果正确】表明模型可能依靠巧合，或者数据集偏差蒙对了答案，需要进行较严厉的惩罚
- 推理时奖励辅助：与GRPO训练策略不同，推理时模型已经学习完毕，不用再惩罚【过程正确但结果错误】，但为了提高输出质量，发生这种情况时应当酌情奖励
实验结果
一、各优化策略对比
表中的SFT表示仅经过冷启动阶段训练的开源模型。作者表示也尝试了将后续RL阶段所使用的数据加入训练，但效果很差；
实验结果表明通过GRPO能够实现最好的性能，并且在解码阶段引入过程奖励模型从Best-of-N中进行挑选，效果能再提升近10个点
二、与各SOTA模型对比
在贪婪解码下，REWARD-SQL优于多个基于更大模型（如GPT-4）的基线方法；在投票解码下，REWARD-SQL进一步超越了所有基线方法，包括Reasoning-SQL，即使在不使用模式过滤器的情况下，REWARD-SQL的表现依然出色；结合模式过滤器后，REWARD-SQL在贪婪解码和投票解码下的执行准确率又得到了进一步提升
模式过滤（Schema Filter）是一种精简上下文，提高模型的专注度和效率的方法
实现过程：
类似于RAG，首先分析用户query，然后计算各种数据库Schema表述与query之间的相似度，只保留与query相关的放入上下文