현대적인 텍스트 투 SQL(Text-to-SQL) 시스템은 여러 개의 후보 SQL 쿼리를 생성하고 이를 순위화하여 최종 예측을 판단합니다. 그러나 기존 방법론은 두 가지 한계에 직면해 있습니다. 첫째, 동일한 실행 결과를 갖더라도 기능적으로 동등한 SQL 쿼리에 대해 일관성 없는 점수를 부여하는 경우가 많습니다. 둘째, 후보 풀에 올바른 SQL이 존재하지 않을 경우 순위화만으로는 이를 복구할 수 없습니다. 우리는 이러한 두 문제를 순위 평가를 위한 통합 보상(unified reward for ranking)과 재표본추출(resampling)을 통해 해결하는 텍스트 투 SQL 프레임워크인 R$^3$-SQL 을 제안합니다. R$^3$-SQL 은 먼저 실행 결과에 따라 후보들을 그룹화한 뒤, 그룹 간 일관성을 위해 그룹별 순위를 매깁니다. 각 그룹의 점수를 부여하기 위해, 그룹 간 쌍별 선호도(pairwise preference) 와 최고 순위 및 크기를 가진 그룹으로부터의 점별 유용성(pointwise utility) 을 결합하여 상대적 선호도, 일관성, 그리고 후보 품질을 포착합니다. 후보 리콜(candidate recall) 을 개선하기 위해 R$^3$-SQL 은 생성된 후보 풀을 판단하고 올바른 SQL 이 부재할 가능성이 높을 경우 선택적으로 재표본추출(agentic resampling) 을 수행합니다. R$^3$-SQL 은 공개된 크기를 가진 모델을 사용하는 방법들 사이에서 새로운 최고 수준(state of the art) 을 기록하는 BIRD-dev 벤치마크에서 75.03 의 실행 정확도(execution accuracy) 를 달성하며, 다섯 가지 벤치마크 전반에 걸쳐 일관된 성능 향상을 보였습니다.