本文主要收集了幾個比較優秀的Text2Sql相關的開源項目或者資源，供借鑒。

基于 prompt 的方法相對來說成本較低，方法和效果都有相對成熟的結果；微調 LLM 的方法受限于消耗資源比較大，計算成本過高，沒有得到很好地探索。B-GPT-Hub是一款很好的項目，這是一個基于 LLM 微調的 text2SQL 的訓練推理框架和 benchmark，主要側重于大規模微調 LLM 的方式。

Chatbot GPT 版本：近年來，gpt2-chatbot 引發廣泛關注，其強大的文本生成能力和ASCII藝術處理表現引人注目。有人認為這是OpenAI即將發布的GPT-4.5，或是一種新AI系統。gpt2-chatbot自稱為GPT-4，可能是GPT-4的新版本或不同AI產品。OpenAI的Sam Altman確認其為GPT2，可能是GPT模型的第二個版本。盡管與GPT-2名稱相似，但兩者可能存在版本差異。

隨著數據技術的發展，Text2SQL 系統受到關注，因其能將自然語言查詢轉換為 SQL 查詢，簡化數據庫查詢。提高 Text2SQL 準確率是關鍵，DB-GPT-Hub 項目通過微調大模型和用戶交互，提升了 SQL 生成的準確率。在 Spider 數據集上，DB-GPT-Hub 達到 0.789 的執行準確率，超越了 GPT-4 的 0.762。采用 LoRA 和 QLoRA 技術降低訓練成本，通過用戶反饋和主動學習策略提高系統性能。

StreamingT2V 常用提示詞在AI圖像生成中至關重要。通過合理使用這些提示詞，用戶能顯著提升圖像質量和風格。本文討論了如何優化提示詞，包括主體選擇、媒介定義、關鍵詞權重調整，以及負面提示詞的應用。此外，利用ChatGPT可以高效生成提示詞，簡化操作過程。文章還提供了實用的圖片鏈接，幫助用戶更好地理解提示詞的設計和選擇。