क्वेरी ऑप्टिमाइज़र वास्तव में कितने अच्छे हैं? Leis et al. ने 2015 में यह पूछा, फिर 10 साल बाद फिर से। एक दशक के शोध के बावजूद, उन्होंने पाया कि क्वेरी ऑप्टिमाइज़र अभी भी बहुत कुछ बेहतर करने की गुंजाइश छोड़ते हैं। एक Postgres डेटाबेस को अपनी तालिकाओं के बारे में सब कुछ पता होना चाहिए, है ना? यह कितना कठिन हो सकता है? जैसा कि पता चला: अत्यधिक कठिन। जॉइन ऑर्डरिंग, एक प्रमुख कार्य, NP-hard है। लेकिन क्वेरी प्लान की गुणवत्ता सत्यापित करना आसान है: अच्छे ऑप्टिमाइज़र तेज़ प्लान बनाते हैं, खराब धीमे प्लान बनाते हैं।

भाषा मॉडल उन कार्यों में उत्कृष्ट हैं जिनके आउटपुट आसानी से सत्यापित होते हैं। एक ही अक्ष—निष्पादन समय—के साथ, समस्या उन व्यवहारों को मजबूत करने तक सीमित हो जाती है जो तेज़ क्वेरी प्लान देते हैं। मैंने एक प्रयोग किया: क्या एक छोटा, ओपन-वेट मॉडल सुपरवाइज़्ड फाइन-ट्यूनिंग (SFT) और एजेंटिक रीइन्फोर्समेंट लर्निंग (RL) के माध्यम से पोस्ट-ट्रेन किया जा सकता है ताकि Postgres क्वेरी प्लान बनाए जो Postgres के डिफ़ॉल्ट प्लान को हरा सकें?

उत्तर एक जोरदार हाँ है। मुख्य बातें: एक 4B मॉडल से 113 जॉइन-भारी क्वेरीज़ में 44.7% विलंबता कमी प्राप्त करना, जो शुरू में उनमें से 99 के लिए क्वेरी प्लान बनाने में असमर्थ था। एक Postgres मापन रिग का निर्माण जो Linux पेज कैश विवाद शोर को कम करता है। शोर भरे वातावरण में RL रोलआउट को स्कोर करने के लिए एक कस्टम GRPO वेरिएंट डिज़ाइन करना। RL को दो मशीनों में विभाजित करना: vLLM और ट्रेनर एक किराए के 2x H100 नोड पर और मेरे डेस्क पर चार Postgres कंटेनर। आधे हजार GPT-6 Astra एजेंट ट्रैजेक्टरीज़ पर ऑफ-पॉलिसी डिस्टिलेशन चलाना।

चलिए शुरू से शुरू करते हैं। एक क्वेरी ऑप्टिमाइज़र के अंदर, IMDb डेटासेट पर विचार करें। एक क्वेरी पूछती है: "कौन सी जापानी कंपनियों ने 2000 के दशक में सबसे अधिक टाइटल जारी किए?" Postgres का पथ चयनात्मक विधेय पर निर्भर करता है। फ़िल्टर के बिना, जॉइन ऑर्डरिंग महत्वपूर्ण हो जाती है।

मुख्य इकाइयाँ: कंपनियाँ: Postgres, Hacker News | लोग: Leis | स्थान: Japan