Un modèle 4B surpasse Postgres de 81% sur les plans de requêtes
Original : Training a 4B model to produce 81% faster query plans than Postgres
Pourquoi c'est important
Montre qu'un petit modèle RL peut dépasser un optimiseur de SGBD mature sur des tâches NP-difficiles.
Rohan Bansal a entraîné un modèle Qwen 4B via SFT et reinforcement learning agentique pour générer des plans de requêtes SQL surpassant les plans par défaut de Postgres. Résultat : 44,7% de réduction de latence sur 113 requêtes à jointures multiples, avec un pic à 81% plus rapide.
Le chercheur Rohan Bansal a publié le 16 septembre 2026 une expérience montrant qu'un modèle open-weights de 4 milliards de paramètres peut apprendre l'optimisation de requêtes SQL par reinforcement learning. Le point de départ est brutal : le modèle Qwen 4B de base était incapable de produire un plan valide pour 99 des 113 requêtes du benchmark Join Order Benchmark (JOB).
La méthode combine deux étapes. D'abord, un fine-tuning supervisé (SFT) à partir d'un modèle enseignant plus puissant pour amorcer les capacités. Ensuite, un entraînement par RL agentique via une variante personnalisée de GRPO : le modèle génère quatre plans candidats par requête, chacun exécuté réellement dans Postgres, et reçoit une récompense scalaire basée sur le temps d'exécution mesuré. Les poids sont mis à jour vers les plans les plus rapides.
L'infrastructure est soignée : un rig Postgres dédié réduit le bruit du cache Linux entre conteneurs concurrents, et l'inférence (vLLM) est séparée de l'entraînement sur deux machines distinctes. Des hints SQL comme `HashJoin`, `Leading` ou `NestLoop` servent de levier de contrôle sur le planificateur Postgres.
Le résultat final : 44,7% de réduction de latence en moyenne géométrique sur l'ensemble du workload, avec certains plans atteignant 81% plus rapides que le défaut Postgres. Leis et al. avaient démontré en 2015, puis confirmé dix ans plus tard, que les optimiseurs de requêtes restent très imparfaits — ce travail s'inscrit directement dans cette lignée.