ما مدى جودة محسّنات الاستعلامات حقًا؟ طرح Leis et al. هذا السؤال في عام 2015، ثم مرة أخرى بعد 10 سنوات. على الرغم من عقد من البحث، وجدوا أن محسّنات الاستعلامات لا تزال تترك الكثير مما هو مرغوب فيه. يجب أن تعرف قاعدة بيانات Postgres كل شيء عن جداولها، أليس كذلك؟ ما مدى صعوبة ذلك؟ كما اتضح: صعب للغاية. ترتيب الربط، وهي مهمة رئيسية، هو NP-hard. لكن التحقق من جودة خطة الاستعلام أسهل: المحسّنات الجيدة تنتج خططًا سريعة، والسيئة تنتج خططًا بطيئة.

تتفوق نماذج اللغة في المهام ذات المخرجات القابلة للتحقق بسهولة. مع محور واحد—زمن التنفيذ—تختزل المشكلة إلى تعزيز السلوكيات التي تؤدي إلى خطط استعلام أسرع. أجريت تجربة: هل يمكن لنموذج صغير مفتوح الأوزان أن يُدرَّب لاحقًا عبر الضبط الدقيق المُوجَّه (SFT) والتعلم المعزز الوكيلي (RL) لإنتاج خطط استعلام Postgres تتغلب على خطط Postgres الافتراضية؟

الجواب هو نعم قاطعة. أبرز النقاط: تحقيق تقليل زمن الوصول بنسبة 44.7% عبر 113 استعلامًا كثيف الربط من نموذج 4B كان في البداية غير قادر على إنتاج خطة استعلام لـ 99 منها. بناء جهاز قياس Postgres يقلل من ضوضاء تنازع ذاكرة التخزين المؤقت لصفحات Linux. تصميم نسخة GRPO مخصصة لتقييم عمليات RL في بيئة صاخبة. تقسيم RL عبر جهازين: vLLM والمدرب على عقدة 2x H100 مستأجرة وأربع حاويات Postgres على مكتبي. تشغيل التقطير خارج السياسة عبر نصف ألف مسار لوكيل GPT-6 Astra.

لنبدأ من البداية. داخل محسّن الاستعلام، لنأخذ مجموعة بيانات IMDb. يسأل استعلام: "أي الشركات اليابانية أصدرت أكبر عدد من العناوين في العقد الأول من القرن الحادي والعشرين؟" يعتمد مسار Postgres على المسندات الانتقائية. بدون مرشحات، يصبح ترتيب الربط بالغ الأهمية.

الكيانات الرئيسية: الشركات: Postgres، Hacker News | الأشخاص: Leis | المواقع: Japan