Feyn Labs presentó SQRL, una familia de modelos de texto a SQL que examina la base de datos con sondeos de solo lectura antes de escribir la consulta. El modelo insignia, SQRL-35B-A3B, alcanza un 70,6% de precisión de ejecución en la prueba BIRD Dev, un resultado que según la compañía supera por poco a Claude Opus 4.6. La liberación incluye además versiones más pequeñas —de 4.000 y 9.000 millones de parámetros— pensadas para instalarse en servidores propios.

La tarea de texto a SQL consiste en convertir una pregunta escrita en lenguaje natural (por ejemplo, «¿cuáles fueron los diez clientes que más compraron el año pasado?») en una consulta SQL válida, el lenguaje estándar para interrogar bases de datos. Es una de las aplicaciones más buscadas de los modelos de lenguaje en entornos empresariales, porque promete que cualquier persona pueda extraer información sin saber programar.

Preguntar primero, escribir después

El giro de SQRL está en el orden de las operaciones. En lugar de generar la consulta directamente a partir del esquema de la base de datos, el modelo primero lanza sondeos de solo lectura para inspeccionar cómo están realmente los datos: qué valores aparecen en una columna, cómo se escriben las categorías, qué formato tienen las fechas. Con esa información en mano, recién entonces redacta la consulta.

Ese paso intermedio ataca uno de los errores más comunes en estos sistemas. Un modelo puede escribir SQL sintácticamente perfecto que igual falla o devuelve resultados vacíos porque asumió, por ejemplo, que un país estaba guardado como «México» cuando en la tabla figura como «MX». Al mirar la base antes de comprometerse, SQRL reduce esa clase de fallos que no se detectan hasta que la consulta se ejecuta.

Un modelo grande y dos ligeros

La denominación «35B-A3B» indica una arquitectura de mezcla de expertos: el modelo tiene alrededor de 35.000 millones de parámetros en total, pero solo activa unos 3.000 millones en cada consulta, lo que abarata el costo de cómputo frente a un modelo denso del mismo tamaño. Los parámetros son los valores internos que un modelo ajusta durante el entrenamiento y que determinan su comportamiento.

Feyn distiló ese modelo mayor en dos versiones más compactas, SQRL-4B y SQRL-9B, publicadas en Hugging Face para quienes prefieran ejecutarlas en su propia infraestructura. La distilación es una técnica que transfiere el conocimiento de un modelo grande a uno más pequeño, buscando conservar buena parte de su desempeño con muchos menos recursos. Para empresas con datos sensibles, la posibilidad de alojar el modelo en servidores propios evita enviar información a servicios externos.

Qué mide BIRD y por qué importa

La comparación se apoya en BIRD, un banco de pruebas diseñado para evaluar sistemas de texto a SQL sobre bases de datos grandes y con datos «sucios», más parecidos a los del mundo real que los conjuntos de prueba académicos tradicionales. La métrica de precisión de ejecución compara el resultado que devuelve la consulta generada con el de una consulta de referencia; un 70,6% significa que en esa proporción de casos el modelo entregó exactamente la respuesta correcta.

Conviene tomar las comparaciones con cautela. Un resultado de referencia en un banco de pruebas no garantiza el mismo rendimiento sobre las bases de datos particulares de cada organización, con sus propios esquemas y convenciones. Aun así, la estrategia de inspeccionar los datos antes de escribir apunta a un problema concreto y persistente de estas herramientas, y su llegada en formatos autoalojables amplía las opciones para equipos que hasta ahora dependían de modelos cerrados como los de Anthropic u OpenAI. Los detalles técnicos y los pesos están disponibles en el anuncio de Feyn.