LG AI연구원, GPT-4 추월한 자가 개선형 Text-to-SQL 시스템 ReSQL 공개

LG AI연구원은 엔터프라이즈 환경에서 보안과 비용 효율성을 고려해 중소형 모델 기반 Text-to-SQL 시스템의 한계를 극복하기 위해 ReSQL(Retrieval-augmented error reasoning for Text-to-SQL) 프레임워크를 제안했다. 해당 연구는 자연어처리 분야 학회인 ACL 2026에서 발표되었다.

기존 자가 교정 기법은 추론 시점의 프롬프팅에 의존했으나, 경량 모델은 이를 소화하지 못해 효과가 제한적이었다. ReSQL은 모델이 생성한 오류를 학습의 원동력으로 재활용하는 3단계 폐쇄 루프를 구축했다.

• 오류 추론 데이터 자동 생성: 실패한 SQL과 정답을 바탕으로 모델 스스로 오류 원인을 진단하고 교정 방향을 제시하는 구조화된 데이터를 생성한다.
• 자기 개선 학습: 생성된 오류 추론 데이터를 활용해 모델을 파인튜닝(LoRA)하여 오류 분석 사고 과정을 내재화한다.
• 검색 기반 추론(RAG): 추론 중 오류 발생 시 유사한 과거 사례를 검색해 Few-Shot 예시로 활용한다.

ReSQL을 적용한 7~9B 모델은 SPIDER 벤치마크에서 81.29%, BIRD에서 53.78%의 정확도를 기록하며, 고도화된 교정 기법을 적용한 GPT-4(SPIDER 79.98%, BIRD 49.87%)를 추월했다. 특히 Llama-3.2 1B 모델의 BIRD 실행 정확도는 3.78%에서 24.84%로 약 7배 향상되는 극적인 개선이 확인되었다.

오류 유형별 분석 결과, 파인튜닝은 빈번한 오류를 해결하는 데 효과적이었으나, 학습 데이터에 드물게 등장하는 **희귀 오류(Long-Tail Errors)**에서는 RAG의 효과가 두드러졌다. 컬럼명 모호성 오류는 36.5%, UNION 앞 ORDER BY 오류는 73.1% 감소하는 등 실용적 개선이 입증되었다.

LG AI연구원은 ReSQL 데이터 생성 프레임워크 코드와 1B~9B 모델로 생성한 전체 추론 데이터셋을 GitHub에 오픈소스로 공개했다. 향후에는 에러 발생 전 예측하는 선제적 오류 예방, 정답이 없는 완전한 비지도 자기 개선, 그리고 미확인 스키마 환경에서의 강건성 검증으로 연구를 확장할 계획이다.