Together Research、LLMで不適切なdatabase query planを補正　最大4.78倍高速化と主張

2026年4月3日、Together AIのXアカウントは、database optimizerがsemantic correlationを見落としたときにLLMがquery planを補正できるとする研究を紹介した。投稿の中心にあるのはDBPlanBenchという仕組みで、databaseのphysical operator graphをLLMに渡し、実行戦略全体を一から作り直すのではなく、既存planに局所的な修正を加えるという考え方だ。

研究の主張

Togetherによれば、DBPlanBenchはApache DataFusionのplan上で動作し、localized editとevolutionary search loopを組み合わせて候補を絞り込む。X投稿では、TPC-HとTPC-DSで最大4.78倍の高速化、評価したqueryの60.8%で5%以上の改善、さらに一例ではbuild memoryが3.3 GBから411 MBへ減少したと述べている。関連するarXiv論文は、従来のcost estimatorがデータやスキーマのsemantic correlationを捉え損ねると、誤ったjoin orderやaccess path、連鎖的なplanning errorにつながると説明している。

なぜ重要か

この事例は、LLMがアプリケーション層ではなく、通常は手書きheuristicに依存するシステムインフラの内部でどう使えるかを示している。特に重要なのは、モデルに完全な新規planを生成させるのではなく、すでにoptimizerを通過したphysical planを見せて、制約付きの変更だけを提案させる設計だ。こうした方式は、検証しやすさと失敗範囲の制御という点で実務的な意味を持つ。もしbenchmark外の実運用でも通用するなら、database engineや最適化スタックの中で、より狭く高信頼なLLM活用の道が開ける。

出典はTogether AIのX投稿と、Making Databases Faster with LLM Evolutionary Sampling論文である。