Google Research presentó Gemini-SQL2, un nuevo sistema text-to-SQL construido sobre Gemini 3.1 Pro que traduce lenguaje natural en consultas SQL ejecutables sobre bases de datos.

¿Qué tan preciso es Gemini-SQL2 frente a la competencia?

En el benchmark BIRD, que mide qué tan correctamente se ejecutan estas traducciones, Gemini-SQL2 alcanzó una precisión de ejecución del 80,04%, ubicándose en primer lugar según Google. La diferencia con el resto del ranking no es marginal:

Los modelos de Databricks, AWS, Tencent y Alibaba quedaron varios puntos por debajo, según los datos publicados por Google Research.

¿Por qué traducir lenguaje natural a SQL es difícil?

Google Research apunta que generar SQL correcto a partir de lenguaje natural es especialmente complejo porque los datos suelen estar organizados en múltiples capas y las consultas deben considerar lógica de negocio. El equipo destaca que las consultas SQL generadas no solo se ven correctas en su sintaxis, sino que ejecutan exitosamente contra la base de datos, un punto donde modelos anteriores fallaban con frecuencia.

Una mejor comprensión de SQL podría mejorar las funciones de lenguaje natural en los servicios de datos de Google de manera más amplia, según indicó la compañía.

¿Cuándo y cómo se va a liberar el modelo?

Por ahora el equipo de investigación no anunció una fecha de lanzamiento público del modelo. Tampoco hay un paper publicado todavía, lo que significa que la arquitectura completa, el dataset de entrenamiento y los detalles del fine-tuning siguen sin estar disponibles para la comunidad científica.

Para contexto local: text-to-SQL es una pieza clave en herramientas de business intelligence (Tableau, Power BI, Looker) y en la nueva generación de agentes corporativos que consultan bases de datos sin que el usuario escriba SQL. Una mejora de siete puntos sobre GPT-5.5 abre la posibilidad de automatizar reportes que hoy quedan trabados por errores de ejecución del query generado.