O problema que ninguém resolveu no Text-to-SQL
A maioria dos sistemas de Text-to-SQL trata a tarefa como tradução: linguagem natural de entrada, SQL de saída. Mas uma query pode ser perfeitamente válida em SQL e ainda assim retornar o resultado errado. Ela pode unir tabelas incorretas, interpretar uma coluna ambígua de forma errada ou filtrar por valores que simplesmente não existem no banco. Nenhum desses erros gera uma exceção — e é por isso que passam despercebidos.
A Feyn AI, startup apoiada pelo Y Combinator, acaba de lançar o SQRL — uma família de modelos de código aberto que reformula o problema. Em vez de gerar a query imediatamente, o SQRL inspeciona o banco de dados primeiro. Ele faz consultas de leitura (read-only) para entender os dados reais e só então escreve a query final.
Resultados que chamam atenção
O modelo principal, SQRL-35B-A3B, alcançou 70,6% de acurácia de execução no benchmark BIRD Dev — superando o Claude Opus 4.6 (68,77%) na mesma avaliação. Três checkpoints estão disponíveis no Hugging Face:
- SQRL-4B: 68,80% — iguala o Opus 4.6 em um modelo que cabe em qualquer lugar
- SQRL-9B: 69,80% — o recomendado para uso geral
- SQRL-35B-A3B: 70,60% — máxima acurácia, ativa apenas 3B parâmetros por token (MoE)
Para efeito de comparação, outros modelos de fronteira ficaram atrás: Claude 4.5 Sonnet (67,34%), Qwen3-Coder-480B (66,17%), DeepSeek-R1 (61,67%) e Kimi-K2-Thinking (60,63%).
Como o SQRL decide quando inspecionar
O grande diferencial técnico está no treinamento da decisão de inspecionar. O SQRL recebe uma pergunta, o schema do banco e evidências contextuais. Se o contexto for suficiente, ele gera a query de uma vez. Se houver ambiguidade, ele executa queries de leitura e usa as linhas retornadas para refinar a resposta final.
O modelo usa dois blocos distintos: <sql> para solicitar uma observação do banco, e <answer> para confirmar a query final. O harness executa as consultas de exploração em modo somente leitura e retorna os resultados em tags <observation>. O SQRL pode inspecionar até cinco vezes, embora a maioria das perguntas seja resolvida em menos etapas.
O treinamento usou CISPO, um método de reinforcement learning do trabalho M1 da MiniMax, que preserva o sinal de gradiente de tokens raros mas decisivos. Para cada pergunta, o modelo produziu oito trajetórias completas, e a recompensa foi binária: o resultado da query final bateu com a referência ou não. Apenas as trajetórias da “zona mista” — onde algumas tentativas acertaram e outras não — geraram sinal de aprendizado útil.
Por que isso importa agora
Em julho de 2026, o Text-to-SQL se tornou um caso de uso crítico para agentes de IA em ambientes corporativos. Startups e grandes empresas estão correndo para dar aos seus analistas a capacidade de consultar bancos de dados sem escrever SQL. O SQRL resolve o problema mais difícil dessa equação: garantir que a consulta gerada realmente responda à pergunta feita, não apenas que seja sintaticamente correta.
Para times brasileiros que trabalham com dados, o SQRL-4B é particularmente interessante: ele roda em qualquer infraestrutura, mantém schema e queries sob controle próprio, e entrega acurácia comparável a modelos de fronteira que custam ordens de grandeza a mais para servir.
A Feyn recomenda servir o SQRL-9B com vLLM e alerta para um detalhe importante: não ative o parser de reasoning na camada de serving. O protocolo de ações aparece após a tag </think>, e removê-lo elimina a capacidade do modelo de decidir entre inspecionar ou responder.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
