---
base_model: Qwen/Qwen2.5-Coder-3B-Instruct
library_name: peft
pipeline_tag: text-generation
language:
- fr
tags:
- text2sql
- text-to-sql
- lora
- qlora
- schema-linking
- qwen2.5-coder
- french
inference: true
---

# Text-to-SQL Prospect Model (Approach B: Schema-Linking)

Fine-tuned QLoRA adapter for **Qwen2.5-Coder-3B-Instruct** designed to generate SQL queries in French for the `companies` database schema.

## Model Details
- **Base Model**: `Qwen/Qwen2.5-Coder-3B-Instruct`
- **Adapter Repo**: `axrafTic/text2sqlProspeciton`
- **Method**: QLoRA Fine-Tuning (`r=32`, `alpha=64`, target modules: all linear layers)
- **Task**: Text-to-SQL (French natural language questions -> SQLite / Postgres SQL queries)
- **Approach**: Schema-Linking with column annotations (`SCHEMA_B`)

## Prompt Structure (ChatML)

```text
<|im_start|>system
Tu es un analyste de données expert en SQL. Transforme la question de l'utilisateur en une requête SQL valide et exécutable. Ne génère que le code SQL, sans explication.<|im_end|>
<|im_start|>user
Base de données:
[SCHEMA]
Table: companies (Profils d'entreprises françaises)
Colonnes:
- id (UUID identifiant unique)
- name (Nom commercial de l'entreprise)
- rating (Note Google Maps de 0 à 5)
- reviews (Nombre total d'avis Google)
- is_spending_on_ads (1 si l'entreprise paie pour des annonces, 0 sinon)
- description (Description textuelle de l'activité)
- website (URL du site web, NULL si absent)
- address (Adresse postale complète)
- ville (ex: 'Paris', 'Lyon', 'Marseille')
- secteur (ex: 'Informatique', 'Finance', 'Santé')
- region (ex: 'Ile-de-France', 'Auvergne-Rhone-Alpes')
- codeAPE (Code NAF d'activité économique)
- siren (Identifiant unique entreprise à 9 chiffres)
- siret (Identifiant unique établissement à 14 chiffres)

Question: Lister les entreprises à Paris avec une note supérieure à 4.
SQL:<|im_end|>
<|im_start|>assistant
```

## How to Load in Python

```python
import torch
from transformers import AutoTokenizer, AutoModelForCausalLM
from peft import PeftModel

base_model_id = "Qwen/Qwen2.5-Coder-3B-Instruct"
adapter_id = "axrafTic/text2sqlProspeciton"

tokenizer = AutoTokenizer.from_pretrained(adapter_id)
base_model = AutoModelForCausalLM.from_pretrained(base_model_id, torch_dtype=torch.float16, device_map="auto")
model = PeftModel.from_pretrained(base_model, adapter_id)
```