Cost-Model

基数估计是优化器的心脏。北大和字节团队拿 Llama-3 8B 微调后做 CardEst,在 IMDB、STATS 等负载上 Q-error 99 分位最高比最佳 baseline(PRICE)降 74.1%——精度是真赢了。但端到端一测就翻车:在 JOB-light、ErgastF1 上,LLM 更准的计划反被它自己的推理延迟拖累,总时间比最强 baseline PRICE 还长。真正的工程贡献不是模型,是那个用优化器成本模型当看门人的门控:只对高成本子查询调 LLM,其余交给老办法。

微软团队拿真实企业客户负载评测 LLM 索引调优:在 Real-R 的 query 22 上,SOTA 商用调优器 DTA 推荐的索引导致近 10× 退化,同一条 query,GPT-5 把执行时间从 10 秒压到 4 秒。LLM 赢的地方,恰恰是 what-if 成本模型估错的地方。但这份直觉高方差、缝不进现有架构、也无法廉价验证——它现在不是 DTA 的替代品,是它视野之外的候选索引的来源。