AI 代理與資料工程
QueryProof 以規則閘門攔截錯誤 SQL，7B 代理的 Business Truth Rate 達 56.2%
QueryProof 把歧義判定、SQL 白名單與執行後驗證交給確定性規則，只讓模型處理指標解析及 SQL 草擬。它在 80 題凍結測試集勝過未配置相同外殼的 32B 基線，但按題型家族重抽樣後，優勢區間仍跨越零。
新公開的 WarehouseReliabilityBench 試圖補上 Text-to-SQL 評測的盲點：一段 SQL 即使能執行、甚至與參考查詢相似，仍可能採用錯誤的營收定義、忽略資料截止日，或在 schema 改版後讀取已棄用欄位。資料集包含兩個合成倉庫與 400 項凍結任務，涵蓋正常查詢、商業定義歧義、資料不足、schema drift 及提示注入；約半數題目的正確行為不是回傳數字，而是要求澄清、棄答或拒絕。
QueryProof 因此沒有採用開放式代理迴圈，而是建立 `PARSE`、語意層查找、歧義檢查、SQL 草擬、AST 驗證、執行及結果核驗等有限狀態流程。7B 模型只負責選擇候選指標與撰寫 SQL；安全判定、日期解析、欄位允許清單及是否回傳答案，都由讀取 YAML 語意層與實體 catalog 的規則控制。執行環境另以唯讀 DuckDB、`sqlglot` AST allowlist、逾時及結果大小限制阻止 DDL、DML 和外部資料函式。
在只執行一次的 80 題測試集，純 7B QueryProof 的 Business Truth Rate 為 56.2%，加入 32B 升級路由後反降至 53.7%；直接提示的 32B 基線為 30.0%。路由版每個正確答案的估算成本低 71%，錯誤卻被標成成功答案的比率亦由 75.4% 降至 35.1%。不過這不是公平的模型尺寸對決：32B 基線未取得相同規則外殼，而且十個題型家族存在相關性；改以家族重抽樣後，兩組差異的信賴區間都包含零。專案已公開原始輸出、預註冊協定及一鍵重算流程，但仍是合成資料上的研究原型。接下來真正重要的是在真實語意層、權限模型及持續變動的倉庫上測量規則維護成本，以及確定性檢查究竟漏掉多少「可執行但商業上錯誤」的答案。