En abordant le rôle crucial de la traduction des requêtes en langage naturel en commandes SQL, nous proposons une suite de modèles compacts et affinés ainsi que des mécanismes d'auto-révision pour démocratiser l'accès et l'analyse des données pour les utilisateurs non experts, atténuant les risques associés aux grands modèles linguistiques à source fermée. Plus précisément, nous avons construit un ensemble de données composé de plus de 20 000 échantillons pour la tâche Texte-vers-SQL, ainsi qu'un ensemble de données de préférences, afin d'améliorer l'efficacité dans le domaine de la génération SQL. Pour garantir davantage la validité du code, un correcteur de code a été intégré au modèle. Notre système, DataGpt-sql, a atteint une précision de 87,2 % sur l'ensemble de validation Spider (spider-dev), démontrant ainsi l'efficacité de notre solution dans les tâches de conversion texte-vers-SQL. Notre code, nos données et nos modèles sont disponibles à l'adresse suivante : \url{https://github.com/CainiaoTechAi/datagpt-sql-7b}