小红书精读：SPARQL-LLM in the TEXT2SPARQL 2026 Challenge

实时生成SPARQL，3美元拿下冠军🏆

各位算法同学们，Text2SPARQL 2026 的第一名，全程没有 agent 循环，每次提问调用 LLM 的次数是固定的，整场比赛所有 LLM 调用加起来花了不到 3 美元。

📄 SPARQL-LLM in the TEXT2SPARQL 2026 Challenge

🔧 不做 agent 探索，走检索式上下文：查询前就把示例问答对（LC-QuAD、QALD-9+、2025 年测试集）和 endpoint 的 schema 拼进 prompt，每问的 LLM 交互次数固定，不存在收敛失败，也没有几十次工具调用堆出来的 token 账单。

🧩 面对完全未知的 Corporate KG，没有现成语料，就用 DeepSeek-V3 按 13 个类、30 个属性生成问答对，再把生成的 SPARQL 拿到 endpoint 实跑，零结果的直接丢掉。

⚙️ 支持英语、德语、西班牙语，代码开源，并且已经部署在去中心化的生物信息 KG 上对外提供服务。

📊 DBpedia 英语 F1 0.7192，比第二名 ARUQULA 高 17%

📈 DBpedia 西班牙语 F1 0.7810，比第二名高 59%

✅ Corporate 英语 F1 0.8539（高 33%）、德语 0.8141（高 30%），NDCG 都是 1.0

💰 八支队伍参赛，它在所有数据集和语言上都是第一，全部 LLM 调用总花费不到 3 美元

要盯的就两点。一是它的收益来自示例覆盖度，换一个全新 KG，这套“生成示例再回灌 endpoint 验证”的流程得重走一遍，成本和质量都压在示例集上。二是它和 agent 式方案是明确的取舍，放弃了对任意复杂查询的自适应，换来固定延迟。如果你要做低延迟、低成本的 text2SPARQL 落地，这套架构比单看 F1 更有移植价值；如果查询模式五花八门、明显超出示例分布，先做自己的覆盖度测试再上。顺带一提，ARUQULA 的 v3 变体在某些语言上直接掉到 0.0000，看多系统对比时别只盯最好的那个变体。

原文：AlphaXiv