Feyn AI 发布 SQRL 文本转 SQL 模型族：查询前先探查数据库，BIRD 准确率 70.6% 超越 Claude Opus 4.6

一句话看懂

Feyn AI 发布 SQRL 模型族，能在生成 SQL 前用只读探查数据库，BIRD Dev 准确率 70.6% 超越 Claude Opus 4.6，并提供 4B 和 9B 可本地部署版本。

详细发生了什么

Feyn AI（YC 孵化）发布了 SQRL 模型族，核心创新是让模型在生成 SQL 前先探查数据库。传统文本转 SQL 系统把任务当作翻译，但一个 SQL 即使语法正确也可能返回错误结果——比如选错表、读错列或过滤不存在的值。SQRL 通过执行只读探查查询来消除歧义，最多探查 5 次，然后提交最终查询。

旗舰模型 SQRL-35B-A3B 在 BIRD Dev 基准上达到 70.6% 执行准确率，超过 Claude Opus 4.6 的 68.77%。该模型基于 Qwen3.5/3.6 系列，每 token 仅激活约 3B 参数。Feyn 还蒸馏出 SQRL-4B（68.80%）和 SQRL-9B（69.80%）两个学生模型，性能接近旗舰版，且可自托管。

训练过程使用了 CISPO 强化学习方法，从 BIRD 和 Spider 数据集中清洗了错误参考 SQL，并通过执行奖励信号训练模型决定何时探查。所有三个 checkpoint 已在 Hugging Face 开源，支持 vLLM 部署。

中文圈视角

SQRL 对中文用户有直接价值：

本地部署与数据安全：SQRL-4B 和 9B 可完全本地运行，数据库 schema、查询和探查结果都不出本地。这对金融、医疗等数据敏感行业尤其重要，避免使用云端 API 导致数据出境。
国产模型对比：目前国内类似产品如 DeepSeek-R1（BIRD 61.67%）和 Kimi-K2-Thinking（60.63%）在文本转 SQL 上落后 SQRL 约 10 个百分点。SQRL 的探查机制是独特优势，国内模型多依赖 schema 推理，缺少主动探查能力。
中文场景适配：SQRL 基于 Qwen 系列，天然支持中文。用户可以用中文提问，模型探查数据库后生成 SQL。对于中文数据库（如含“省份”列存储“北京/北京市”等不一致值），探查机制能自动发现数据模式，避免错误查询。
平替方案：如果不想用国外模型，可关注 ModelScope 上类似项目，但暂无同等精度开源方案。SQRL 的 4B 模型仅需 8GB VRAM，普通消费级 GPU 即可运行，门槛较低。

几条值得记住的细节

SQRL-35B-A3B 在 BIRD Dev 上准确率 70.6%，Claude Opus 4.6 为 68.77%，SQRL-4B 为 68.80%。
模型通过只读探查解决歧义，最多探查 5 次，大多数问题只需更少步骤。
训练使用 CISPO 强化学习，从 8 条轨迹中挑选正确结果，只在“混合区域”学习。
9B 模型推荐为默认 checkpoint，4B 适合预算紧张场景，35B 追求最高精度。
部署时需注意不要启用 serving-layer reasoning parser，否则会丢失 <sql> 或 <answer> 动作。

一句话总结

SQRL 让文本转 SQL 从“翻译”升级为“探查+生成”，准确率领先且可本地部署，中文用户能安全高效地查询私有数据库。