tanque-cheio: text-to-SQL em português sobre os preços de combustíveis da ANP

Portuguese text-to-SQL pairs over a fixed snapshot of Brazil's ANP fuel price survey (Oct 2024 to Sep 2026), plus the snapshot itself. 10,448 template-generated training pairs (v2) and 200 hand-reviewed dev/test questions, all validated by execution on DuckDB.

Este dataset acompanha o projeto tanque-cheio: perguntas em português sobre preços de combustíveis, a SQL (DuckDB) que responde cada uma e o snapshot dos dados da ANP sobre o qual as SQLs rodam. Foi usado para treinar e avaliar os adapters belasoares/tanque-cheio-qwen2.5-coder-1.5b-lora-v2 (treinado com o train daqui) e belasoares/tanque-cheio-qwen2.5-coder-1.5b-lora (treinado com o treino v1, de 8.217 pares, que fica no histórico do repositório).

Fonte e atribuição

Os preços vêm da Série Histórica de Preços de Combustíveis da Agência Nacional do Petróleo, Gás Natural e Biocombustíveis (ANP), levantamento de preços feito em postos de todo o país: https://www.gov.br/anp/pt-br/centrais-de-conteudo/dados-abertos/serie-historica-de-precos-de-combustiveis.

Fonte dos dados: ANP, Série Histórica de Preços de Combustíveis. Os arquivos aqui são uma seleção e uma normalização desses dados feitas pelo projeto tanque-cheio, não uma publicação oficial da ANP.

Licença. Dados abertos da ANP, publicados com base na Lei 12.527/2011 e no Decreto 8.777/2016, com atribuição à ANP. A página do conjunto na ANP não traz um campo de licença; o espelho CKAN do catálogo dados.gov.br (data.amerigeoss.org) indica "Creative Commons Attribution". Essa licença ainda não foi confirmada na fonte: o dados.gov.br não estava acessível quando o card foi escrito, e a autora ainda vai conferir o campo "Licença" lá. Até isso acontecer, o card declara license: other, com link para a página da ANP, em vez de afirmar CC BY. Quem reusar os dados deve citar a ANP como fonte. As perguntas e SQLs (data/*.jsonl) foram escritas pelo projeto e seguem a mesma licença, para não criar uma regra diferente para cada arquivo.

Arquivos

Arquivo	Conteúdo
data/train.jsonl	10.448 pares de treino (v2), gerados por templates (source = synthetic)
data/dev.jsonl	50 perguntas de desenvolvimento, revisadas (source = human_reviewed)
data/test.jsonl	150 perguntas de teste, revisadas (source = human_reviewed)
snapshot/coletas-2026-09.parquet	Snapshot normalizado: 1.652.562 coletas, 2024-10-01 a 2026-09-30 (~2,4 MB)
snapshot/coletas-2026-09.json	SHA-256 do Parquet e contagem + MD5 de cada tabela do banco
docs/schema.md	Schema do banco, valores fechados de produto, regiao e bandeiras
manifest.json	Os 48 CSVs mensais da ANP usados, com tamanho e SHA-256, e as linhas rejeitadas

Configs: pairs (padrão; splits train, dev, test) e coletas (o snapshot).

from datasets import load_dataset

pairs = load_dataset("belasoares/tanque-cheio")  # train, dev, test
coletas = load_dataset("belasoares/tanque-cheio", "coletas")  # snapshot

Período e data de referência

• Snapshot: coletas de 2024-10-01 a 2026-09-30 (24 meses, 27 UFs, 419 municípios, 11.051 postos). Os arquivos foram baixados da ANP em 28/10/2026.
• Data de referência: 2026-09-30 (= max(data_coleta)). Toda pergunta com data relativa é resolvida contra ela: "último mês" é o mês do calendário que contém a data de referência (setembro de 2026), não o mês atual. O snapshot é fixo e não é atualizado.

Schema

O Parquet tem uma linha por coleta, já normalizada: regiao, uf, municipio, cnpj, razao_social, bandeira, bairro, cep, produto, data_coleta, valor_venda, valor_compra, unidade. As SQLs não rodam sobre ele direto: rodam sobre o banco DuckDB de 3 tabelas que tanque data build --from-parquet monta a partir dele.

CREATE TABLE municipios (
    municipio_id  INTEGER PRIMARY KEY,
    nome          VARCHAR NOT NULL,      -- como na ANP, em maiúsculas e sem acento: 'SAO CARLOS'
    uf            VARCHAR(2) NOT NULL,   -- 'SP'
    regiao        VARCHAR(2) NOT NULL,   -- 'N','NE','CO','SE','S'
    capital       BOOLEAN NOT NULL       -- true para as 27 capitais
);
CREATE TABLE postos (
    posto_id      INTEGER PRIMARY KEY,
    cnpj          VARCHAR NOT NULL UNIQUE,
    razao_social  VARCHAR,
    bandeira      VARCHAR,               -- 'BRANCA' para sem bandeira
    bairro        VARCHAR,
    cep           VARCHAR,
    municipio_id  INTEGER NOT NULL REFERENCES municipios(municipio_id)
);
CREATE TABLE coletas (
    coleta_id     BIGINT PRIMARY KEY,
    posto_id      INTEGER NOT NULL REFERENCES postos(posto_id),
    produto       VARCHAR NOT NULL,      -- GASOLINA, GASOLINA ADITIVADA, ETANOL, DIESEL, DIESEL S10, GNV
    data_coleta   DATE NOT NULL,
    valor_venda   DECIMAL(6,3) NOT NULL, -- R$ por unidade
    valor_compra  DECIMAL(6,3),          -- quase sempre nulo
    unidade       VARCHAR NOT NULL       -- 'R$ / litro' ou 'R$ / m³' (GNV)
);

Regras de construção: só os 6 combustíveis automotivos (GLP fica de fora); valor_venda nulo ou ≤ 0 é rejeitado; coletas repetidas exatamente entram uma vez; se o posto mudou de bandeira ou endereço, vale a coleta mais recente. Nome da rua, número e complemento não entram. Detalhes em docs/schema.md.

Cada linha dos .jsonl:

{"id": "test-0001", "question": "Qual é o preço médio do etanol no Brasil, considerando todo o período?",
 "sql": "SELECT AVG(valor_venda) AS preco_medio FROM coletas WHERE produto = 'ETANOL'",
 "difficulty": "facil", "uses_window": false, "order_matters": false, "split": "test",
 "source": "human_reviewed", "reviewed": true, "tags": ["etanol", "brasil"]}

• difficulty: facil (uma tabela ou um join, filtro e agregação), medio (dois ou mais joins, datas, GROUP BY, ranking), dificil (comparação entre períodos, CTEs, razão etanol/gasolina, funções de janela).
• order_matters: true quando a pergunta pede ordem ou ranking; a avaliação compara a sequência de linhas em vez do conjunto.

Como os splits foram feitos

Split	N	Fácil / médio / difícil	Com janela	Origem
train	10.448	2.937 / 3.787 / 3.724	632	Templates com valores reais do banco (v2)
dev	50	15 / 20 / 15	3	Escrito e revisado à mão
test	150	50 / 60 / 40	8	Escrito e revisado à mão

• Dev e teste. As perguntas foram rascunhadas pelo projeto (com a ajuda de um agente de código, sem API paga) e revisadas uma a uma pela autora: a pergunta é natural e sem ambiguidade, a SQL responde exatamente a ela, o nível e order_matters estão certos. Toda SQL de referência executa e devolve linhas. O dev foi usado para escolher o modelo base e conferir o fine-tuning; o teste, uma vez por sistema, no relatório final da v1 e de novo no da v2. As decisões da v2 usaram o dev2 (o dev mais 63 perguntas revisadas, 113 no total), que fica no repositório do projeto (datasets/dev2.jsonl) e não entra aqui.
• Treino (v2). Gerado por templates parametrizados (tanque gen templates --n 13000 --seed 42): 57 intenções (as 40 da v1 mais 17 para os padrões que o adapter v1 errava no dev2), cada uma com um template de SQL e várias redações de pergunta, preenchidos com valores sorteados do banco. Cada par passou por parse, guardrail e execução (o resultado não pode ser vazio). Depois, dois filtros: vazamento contra dev, dev2 e teste (pergunta com rapidfuzz.token_set_ratio ≥ 85 ou SQL normalizada idêntica: 2.552 dos 13.000 pares descartados) e duplicatas internas. O treino v1 (8.217 pares, 40 intenções; uma auditoria manual de 50 pares sorteados aprovou
  49. está no histórico do repositório. Estatísticas por intenção: results/gen-stats.md.

Reproduzir

No repositório do projeto:

uv sync
uv run tanque data build --from-parquet snapshot/coletas-2026-09.parquet   # banco DuckDB, sem download
uv run tanque eval verify-gold datasets/test.jsonl                         # toda SQL do teste executa
uv run tanque data hf-bundle --out dist/hf-dataset                          # monta esta pasta

tanque data build sem a opção baixa os 48 CSVs da ANP e refaz o snapshot do zero.

Limitações

• Snapshot fixo; os preços não são atualizados.
• Só combustíveis automotivos, sem GLP nem volumes de venda.
• Só português, e só o vocabulário das perguntas de um projeto: o treino vem de templates, então a variedade de redação é menor que a de perguntas reais.
• O dev e o teste foram escritos pelo mesmo projeto que treinou o modelo (isolados do treino por código, mas com o mesmo estilo e as mesmas convenções de resposta).
• As SQLs seguem convenções fixas (preço médio = AVG(valor_venda), combustível comum por padrão, município por nome + uf, quais colunas devolver). Uma SQL "certa" com outra convenção pode dar resultado diferente do gold.
• razao_social, cnpj, bairro e cep identificam empresas (postos), como nos dados públicos da ANP; não há dados de pessoas físicas além do que a ANP já publica.