Qwen2.5-SQL-LoRA

<div align="center"> <h1>Qwen2.5-SQL-LoRA</h1> <p>专家级 Text-to-SQL 垂直领域模型</p> <a href="https://github.com/hiyouga/LLaMA-Factory"> <img src="https://img.shields.io/badge/训练框架-LLaMA--Factory-blue" alt="Training Framework"> </a> <a href="https://huggingface.co/Qwen/Qwen2.5-7B-Instruct"> <img src="https://img.shields.io/badge/基座模型-Qwen2.5--7B-yellow" alt="Base Model"> </a> <img src="https://img.shields.io/badge/微调方法-DoRA%20%2B%20QLoRA-green" alt="Method"> </div>

---

🚀 模型介绍 (Introduction)

Qwen2.5-SQL-LoRA 是一个基于 Qwen2.5-7B-Instruct 微调的垂直领域 Text-to-SQL（文本转SQL） 模型。它专为解决通用大模型在数据库查询场景中容易产生幻觉、语法错误等问题而设计。

该模型采用了前沿的 DoRA (Weight-Decomposed Low-Rank Adaptation) 与 4-bit QLoRA 技术进行训练，在保证极低显存占用的同时，显著提升了 SQL 语法的严谨性以及对复杂逻辑（如分组、排序、嵌套查询、日期处理）的推理能力。

---

🛠️ 技术规格 (Tech Specs)

---

💻 如何使用 (How to Use)

1. 安装依赖

pip install transformers peft torch

2. Python 推理代码

你可以直接复制以下代码来测试模型：

from transformers import AutoModelForCausalLM, AutoTokenizer
from peft import PeftModel
import torch

# ================= 配置区 =================
# 1. 加载基座模型 (Qwen2.5-7B-Instruct)
base_model_id = "Qwen/Qwen2.5-7B-Instruct"
model = AutoModelForCausalLM.from_pretrained(
    base_model_id, 
    torch_dtype=torch.bfloat16, 
    device_map="auto",
    trust_remote_code=True
)
tokenizer = AutoTokenizer.from_pretrained(base_model_id, trust_remote_code=True)

# 2. 加载 LoRA 适配器 (本模型)
lora_model_id = "Moyonx/Qwen2.5-SQL-LoRA" 
model = PeftModel.from_pretrained(model, lora_model_id)

# ================= 推理函数 =================
def generate_sql(schema, question):
    # 构造 Prompt (与训练格式严格对齐)
    prompt = (
        f"将以下自然语言转换为SQL查询语句。\n"
        f"上下文信息：{schema}\n"
        f"用户提问：{question}\n"
        f"SQL语句："
    )
    
    messages = [
        {"role": "system", "content": "You are a professional database engineer."},
        {"role": "user", "content": prompt}
    ]
    
    text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
    model_inputs = tokenizer([text], return_tensors="pt").to(model.device)
    
    # 生成参数：温度设为 0.1 以保证代码生成的严谨性
    generated_ids = model.generate(
        **model_inputs,
        max_new_tokens=512,
        temperature=0.1,
        top_p=0.9
    )
    
    return tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]

# ================= 运行测试 =================
# 定义表结构
schema_example = 'Database Schema: {"sales": ["id", "amount", "date"], "products": ["id", "name", "category"]}'
# 提问
query_example = "计算2023年'电子产品'类别的总销售额。"

# 输出结果
print(generate_sql(schema_example, query_example))

---

📊 评估结果 (Evaluation)

我们在留出的验证集上进行了逻辑匹配和执行准确率的评估：

---

引用 (Citation)

如果您使用了本模型，请致谢 Qwen 团队与 LLaMA-Factory 框架。

• Developed by: Moyonx
• Framework: LLaMA-Factory