Memgraph 用 26 美元合成数据微调 1B 模型，合成基准 94% 公开榜仅 41%

JeremyCMorgan · x · 2026-11-13

Memgraph 工程师微调了一个约 10 亿参数的开源模型做 Text2Cypher（自然语言转 Cypher 图查询）。训练数据反向构建：先用语法程序化生成 Cypher 查询，再让 DeepSeek 生成各种可能的提问方式。最终版本包含数百个合成数据库 schema、约 6.95 万条验证查询和 27 万条训练样本，API 生成成本仅约 26 美元，笔记本 GPU 一夜完成训练，推理可在 CPU 上运行，部分输入不到 1 秒生成查询；后续还把失败查询和报错信息加入训练数据让模型学会自我纠正。

关键反差：模型在未见的合成域上达到 94%，但在公开基准上只有 41%——展示了合成训练收益难以迁移到真实分布的典型问题。