本文综述了Text-to-SQL系统的评估与鲁棒性研究。现有数据集划分仅能部分测试泛化能力，匿名化处理掩盖了关键挑战。对Spider等基准的扰动测试表明，最鲁棒的模型性能可下降50.7%。商业系统可被操纵生成恶意代码，后门攻击成功率达100%。GPT-4在人工评估中已超越Spider金标准，需独立评估。DAIL-SQL在Spider上达到86.6%的执行准确率。