How to use from
SGLang
Install from pip and serve model
# Install SGLang from pip:
pip install sglang
# Start the SGLang server:
python3 -m sglang.launch_server \
    --model-path "Hugo991/SQLBuilder" \
    --host 0.0.0.0 \
    --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "Hugo991/SQLBuilder",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'
Use Docker images
docker run --gpus all \
    --shm-size 32g \
    -p 30000:30000 \
    -v ~/.cache/huggingface:/root/.cache/huggingface \
    --env "HF_TOKEN=<secret>" \
    --ipc=host \
    lmsysorg/sglang:latest \
    python3 -m sglang.launch_server \
        --model-path "Hugo991/SQLBuilder" \
        --host 0.0.0.0 \
        --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "Hugo991/SQLBuilder",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'
Quick Links

Modรจle Text-to-SQL โ€“ Version Strict + Fine-Tuning Personnalisรฉ

Ce modรจle est une version amรฉliorรฉe de Ellbendls/Qwen-3-4b-Text_to_SQL (Apache-2.0).
Il inclut :

โœ” un prรฉ-prompt intรฉgrรฉ โ€œDiscipline SQLโ€,

โœ” un lรฉger fine-tuning sur un dataset interne spรฉcialisรฉ,

โœ” un packaging propre pour un usage en production.

Lโ€™objectif est de fournir une gรฉnรฉration SQL fiable, stricte, reproductible et mieux alignรฉe sur les besoins mรฉtier spรฉcifiques du cas dโ€™usage ciblรฉ.


๐Ÿง  Description du modรจle

Ce modรจle transforme des instructions en langage naturel en requรชtes SQL standardisรฉes.
La version originale a รฉtรฉ amรฉliorรฉe sur deux axes :

1) Discipline SQL intรฉgrรฉe dans le generation_config.json

Elle impose :

  • sortie UNIQUEMENT SQL
  • format propre et cohรฉrent
  • alias systรฉmatiques dans les jointures
  • liste explicite des colonnes
  • sรฉlection de toutes les colonnes seulement si lโ€™utilisateur le demande explicitement
  • pas dโ€™invention de tables ou colonnes

2) Fine-tuning lรฉger basรฉ sur un dataset interne

Ce fine-tuning ajoute :

  • de nouveaux schรฉmas de base de donnรฉes
  • des requรชtes mรฉtiers typiques
  • un style de SQL homogรจne
  • de meilleures performances sur un domaine prรฉcis

Ce fine-tuning (LoRA ou QLoRA) permet dโ€™adapter finement le comportement du modรจle sans nรฉcessiter un entraรฎnement complet.


๐Ÿ” Caractรฉristiques clรฉs

โœ” Conversion texte โ†’ SQL fiable

Gรฉnรฉration de requรชtes SQL propres, correctes et adaptรฉes aux schรฉmas ciblรฉs.

โœ” Standardisation stricte, mais flexible

Le modรจle รฉvite SELECT * ร  moins que lโ€™utilisateur demande explicitement โ€œtoutes les colonnesโ€.

โœ” Alignรฉ sur ton domaine mรฉtier

Grรขce au fine-tune interne, les requรชtes sont plus pertinentes et contextualisรฉes.

โœ” Multilingue

Fonctionne en franรงais, anglais, espagnol, portugais, allemand, chinois, etc.

โœ” Fenรชtre de contexte รฉtendue

Adaptรฉ aux grandes bases, requรชtes complexes, longues dรฉfinitions de tables.


๐Ÿงฉ Exemple de prompt interne intรฉgrรฉ

Le prรฉ-prompt utilisรฉ dans cette version :

You are a strict SQL generation engine. Your only task is to convert natural language instructions into valid SQL queries. Rules: 1. Output ONLY SQL. No explanations, no comments. 2. Always generate syntactically correct SQL. 3. Never invent tables or columns. 4. Avoid SELECT * unless the user explicitly requests all columns. 5. Use explicit column lists by default. 6. Use clear table aliases when joins are present. 7. Keep formatting clean and standardized.


๐Ÿš€ Exemple dโ€™utilisation

from transformers import AutoTokenizer, AutoModelForCausalLM

model_name = "Hugo991/SQLBuilder"

tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name)

user_input = "Montre-moi tous les dรฉpartements avec leur identifiant."

# On rรฉcupรจre le template intรฉgrรฉ dans le generation_config
template = tokenizer.generation_config.prompt_template
prompt = template.replace("{input}", user_input)

inputs = tokenizer(prompt, return_tensors="pt")
outputs = model.generate(**inputs, max_new_tokens=256)

print(tokenizer.decode(outputs[0], skip_special_tokens=True))
Downloads last month
14
Safetensors
Model size
4B params
Tensor type
F16
ยท
Inference Providers NEW
This model isn't deployed by any Inference Provider. ๐Ÿ™‹ Ask for provider support

Model tree for Hugo991/SQLBuilder

Finetuned
(1)
this model

Dataset used to train Hugo991/SQLBuilder

Space using Hugo991/SQLBuilder 1