TokenPAPATokenPAPA
使用指南API 参考AI 应用博客定价注册

2026 年做 Text-to-SQL 该用哪个大模型?

Text-to-SQL 的提示词 97% 是输入 token,真正决定账单的是 schema 缓存。13 个模型的单查询成本实测,附准确率测试方法。

2026 年做 Text-to-SQL 该用哪个大模型?

市面上的「最便宜模型」榜单几乎都是按聊天场景算的:一问一答,输入输出差不多长。Text-to-SQL 正好反过来——你每次都要把建表语句、几个 few-shot 例子、检索到的样例行一起塞进去,模型只吐一条短 SQL。典型负载大约是 5500 token 输入、160 token 输出。就是这个比例,而不是榜单上的单价,决定了哪个模型真的适合 SQL 生成;也正因如此,按输出价格选型的团队往往会多花一个数量级的钱。

一句话结论:对大多数团队来说,最好的 SQL 生成模型不是最强的那个,而是能过准确率门槛的最便宜的那个。按 TokenPAPA 的实时价格,schema 前缀缓存命中 95% 时,DeepSeek V4 Flash 约 4.09 美元 / 1 万次查询,Qwen 3.8 Flash 约 2.21 美元,Claude Sonnet 5.5 与 GPT-6.1 Sol 同为 30.24 美元。先用便宜档跑,只把校验失败的查询升级。


为什么 Text-to-SQL 会打破常规选型逻辑

提示词组成token 数是否每次重复
建表语句(约 30 张表)~4200是
few-shot 示例(4 组「问题 → SQL」)~900是
检索到的样例行 / 枚举值提示~340部分
用户问题~60否
输入合计~5500
输出(生成的 SQL + 一行说明)~160

也就是 2.8% 输出、97.2% 输入。两个直接结论:

  1. 输出单价几乎不重要,因为模型写得很少;
  2. 输入单价和缓存折扣才是全部,而 5100 token 的建表语句和示例每次逐字相同,这正是 prompt 缓存存在的场景。

关键洞察:这类负载里生成的 SQL 只占 2.8% 的 token,所以账单本质上是缓存问题,只是穿着价格问题的外衣。两个标价相同的模型,缓存折扣不同,真实成本能差 4 倍。


一次 Text-to-SQL 查询到底多少钱?

按 1 万次查询、上述负载、2026-11-15 读取的 TokenPAPA 实时价格(/api/pricing)计算。「未缓存」= 每次输入都按全价;「已缓存」= 5100 token 静态前缀命中率 95%。

模型输入 /1M输出 /1M缓存输入 /1M1 万次(未缓存)1 万次(已缓存)
Claude Haiku 5.5$0.01$0.50$0.01$1.35$1.35
豆包 Seed 2.0 Mini$0.031$0.312—$2.20$2.20
GLM-5.3-Flash$0.12$0.42$0.04$7.27$3.32
Qwen 3.8 Flash$0.12$0.50$0.015$7.40$2.21
Qwen 3.7 Plus$0.20$0.83$0.04$12.33$4.42
DeepSeek V4 Flash$0.30$1.20$0.01$18.42$4.09
Gemini 3.8 Flash$0.62$3.10$0.062$39.06$11.49
DeepSeek V4 Pro$1.40$4.00$0.05$83.40$16.71
Gemini 4 Argon$1.64$8.20$0.082$103.32$26.35
Claude Sonnet 5.5$1.86$9.30$0.10$117.18$30.24
GPT-6.1 Sol$1.86$9.30$0.10$117.18$30.24
Claude Opus 5.5$3.72$18.60$0.20$234.36$60.47
GPT-5.6 Sol$4.64$37.12$0.46$314.59$108.10

放到 100 万次查询 / 月 的量级:DeepSeek V4 Flash 开缓存约 409 美元,Sonnet 5.5 约 3024 美元,GPT-5.6 Sol 约 1.08 万美元——同样的提示词、同样 160 token 的答案。表内最贵与最便宜相差 233 倍。

两个反直觉的数字

「输出占 token 的 2.8%」不等于「输出占账单的 2.8%」:Sonnet 5.5 是 12.7%,GPT-5.6 Sol 是 18.9%,而 Claude Haiku 5.5 高达 59.3%——它 50:1 的输出倍率意味着你主要在为答案付钱。如果生成的 SQL 偏长(窗口函数、多层 CTE),这个比例还会涨。

便宜的缓存胜过便宜的标价:开缓存后 DeepSeek V4 Flash 省 78%、Sonnet 5.5 省 74%、Gemini 3.8 Flash 省 71%、Qwen 3.8 Flash 省 70%,但 Claude Haiku 5.5 和豆包 Seed 2.0 Mini 省 0%——它们的缓存价等于输入价。对又大又稳定的 schema 来说,没有缓存折扣的模型再便宜也不该选。


分档该选谁?

价格只能回答「多少钱」,回答不了「能不能干对」。各家都只公布通用推理/代码跑分,没有一家公布这些具体快照的 Text-to-SQL 执行准确率,所以下面按价格与推理档次分档,正式采用前请用下一节的方法在你自己的 schema 上验证。

档位用途性价比选择1 万次(已缓存)
草稿档自动补全、浏览表结构、「哪些表能回答这个问题」Qwen 3.8 Flash、GLM-5.3-Flash$2.21 – $3.32
生产默认有文档 schema 上的常规 BI 问题DeepSeek V4 Flash$4.09
难例档多层 CTE、歧义 join、方言角落DeepSeek V4 Pro(省钱)/ Sonnet 5.5、GPT-6.1 Sol(质量)$16.71 – $30.24
极短输出、无缓存「该查哪张表」这类路由Claude Haiku 5.5$1.35 固定

升级流水线才是真正的赢家

很少有人需要一个模型打全部流量。拆成三步:

  1. 草稿:便宜档生成(DeepSeek V4 Flash,缓存后约 4.09 美元 / 万次);
  2. 机械校验:用目标方言解析器解析 SQL、逐列对照 schema、在只读从库上跑 EXPLAIN,拒绝无过滤全表扫、超成本阈值的语句;
  3. 只把被拒的升级到强档。

若 25% 的查询需要升级,混合成本是 11.65 美元 / 万次(0.75 × 4.09 + 0.25 × (4.09 + 30.24)),比全部走 Sonnet 5.5 的 30.24 美元便宜约 61%,而真正需要强模型的查询依然得到了强模型。

关键洞察:校验器 + 便宜模型,在成本和可靠性上都优于单一贵模型,因为解析和 EXPLAIN 能抓住「SQL 看着挺像」永远抓不住的失败模式。


怎么测准确率,而不是信榜单?

公开的 Text-to-SQL 榜单都在文档齐全的学术 schema 上训练。而你的数仓里叫 crm_stg_orders_v3,有三列都叫 status,join 路径没人写下来过。唯一有意义的准确率是你自己测出来的那个。

  1. 收集 100–200 条真实问题(分析师、工单、看板里的原话,包括口语化的);
  2. 每条配一个已知正确的 SQL,由熟悉 schema 的人写;
  3. 所有候选模型跑同一套提示词,temperature 0,连只读从库;
  4. 用执行准确率打分,不要比对字符串:两条 SQL 都执行,按多重集比对结果集。只差 join 顺序、别名、WHERE 条件顺序的等价查询,字符串比对会误判为错;有 ORDER BY 时先剥离再比,或用 EXCEPT / UNION ALL 双向比对;
  5. 按难度拆分:单表过滤、单 join、三 join 以上、窗口函数、日期运算。「单表 90% + 多表 40%」和「平均 70%」是完全不同的采购决策;
  6. 记录「每次成功的成本」,而不是每次调用成本——便宜一半但错一倍的模型,单条有效答案更贵。

代码长什么样?

一个 Key、一个 base URL,切换表格里任何模型:

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["TOKENPAPA_API_KEY"],
    base_url="https://tokenpapa.ai/v1",
)

def generate_sql(question: str, schema_ddl: str, exemplars: str) -> str:
    resp = client.chat.completions.create(
        model="deepseek-v4-flash",       # 换模型只改这一行
        temperature=0,
        max_tokens=400,                  # 答案很短,上限压住
        messages=[
            {"role": "system", "content": "把问题翻译成 PostgreSQL SQL,只使用给定 schema,只返回 SQL。"},
            # 静态内容放最前面,才会被缓存命中
            {"role": "user", "content": schema_ddl},
            {"role": "assistant", "content": "明白,我只使用这个 schema。"},
            {"role": "user", "content": exemplars},
            {"role": "assistant", "content": "明白,我按这些示例来写。"},
            {"role": "user", "content": question},
        ],
    )
    return resp.choices[0].message.content.strip()

三个细节比模型名更重要:

  • 静态内容必须排在前面。prompt 缓存按最长公共前缀命中,schema → 示例 → 问题的顺序才对;往 system 里塞时间戳会把缓存全部打掉。
  • temperature=0。这不是创意任务,采样波动只会变成 schema 幻觉。
  • max_tokens 压到 400。输出在某些模型上是贵的那一半,不设上限等于允许模型自我解释着烧钱。

这个场景不需要流式——160 token 一次就回完了,加流式只是多一条要维护的代码路径。


怎么保证生成的 SQL 不出事?

控制项实现方式为什么必须有
只读账号独立 DB 用户,只有 SELECT,无 INSERT/UPDATE/DROP/GRANT字段注释里的 prompt 注入不该有写权限
表白名单同时限制「发给模型的 schema」和「账号能读的表」既防幻觉也防破坏
语句超时会话级 SET statement_timeout = '5s'漏掉 join 条件变成 5 秒报错,而不是 5 分钟故障
行数上限给没有 LIMIT 的生成语句注入 LIMIT 1000保护内存与从库
解析器校验用方言解析器解析,断言是单条 SELECTSELECT ... ; DROP ... 能骗过 startswith
从库指向只读从库报表负载不压生产

最常被跳过、也最该做的是解析器校验:以 SELECT 开头的字符串不等于一条只读语句,语法树才是。


FAQ

2026 年做 Text-to-SQL 该用哪个模型?

没有单一答案,因为这是输入主导型任务。以 5500 token 输入、160 token 输出计算,schema 前缀缓存命中 95% 时,DeepSeek V4 Flash 1 万次查询约 4.09 美元,Claude Sonnet 5.5 与 GPT-6.1 Sol 同为 30.24 美元。合理做法是先用便宜档跑,只把校验失败的查询升级。

为什么 prompt 缓存比单价更影响成本?

因为建表语句和 few-shot 例子每次请求都要重发且完全一样。输出只占 2.8% 的 token,97% 的钱花在重复上下文上。DeepSeek V4 Flash 缓存输入价 0.01 美元 / 1M token,仅为 0.30 美元标价的 3.3%,1 万次查询从 18.42 降到 4.09 美元,省 78%。而缓存价等于输入价的模型(如 Claude Haiku 5.5)一点都省不到。

怎么测准确率而不是靠感觉?

准备 100–200 条真实分析师问题,每条配已知正确 SQL,在只读从库上以 temperature 0 跑所有候选模型,用执行准确率打分——两条都执行、比对结果集,而不是比对字符串。最后报告「每次成功的成本」,不是每次调用的成本。

让大模型直接连生产库安全吗?

只有在只读账号、语句超时、表白名单、强制行数上限四项都到位时才安全。绝不要给生成 SQL 的模型可写、可删、可授权的凭据,并且要用真正的方言解析器校验语句,而不是判断字符串是否以 SELECT 开头。

换模型需要重写代码吗?

不需要。TokenPAPA 提供 OpenAI 兼容端点 https://tokenpapa.ai/v1,一个 Key 可调用 80 个以上模型条目,从 deepseek-v4-flash 换到 qwen3.8-flash 或 claude-sonnet-5-5 只改一行 model=,SDK 和提示词都不用动——这也是为什么「跑一遍金标集」这件事便宜到真的值得做。

该用推理模型还是快模型?

常见问题用快模型,难例才上推理档。大多数分析师问题就是单表过滤加一两个 join,快档既准又便宜 3–7 倍。多层 CTE、歧义 join、方言特有的日期运算才是强模型回本的地方——而且只在校验器拒掉草稿之后才发过去。


开始使用

延伸阅读:


价格于 2026-11-15 从 TokenPAPA 实时定价接口核对。成本数字是按「5500 输入 + 160 输出 token / 次」这一口径算出的算术结果,你的提示词长度不同会得到不同数字。准确率必须在你自己的 schema 上实测——各家均未公布这些模型快照的执行准确率。

这篇文档对您有帮助吗?

最后更新于

2026 年做 Text-to-SQL 该用哪个大模型? | TokenPAPA