北大伯克利聯手“拷問”大模型：最強Agent也才40分！新基準專治“不聽話”的AI分析師
給大模型當老師，讓它一步步按你的想法做數據分析，有多難？
結果是，連Claude-3.7和Gemini-2.5 Pro這樣的頂尖選手，都開始“不聽話”了。
在一個全新的測試基準中，它們面對多輪、不斷演進的指令，最終的任務成功率最高僅有40%。
這項名為IDA-Bench的新基準，就是為了模擬真實世界中這種“邊想邊改”的分析場景而生。
它不再是給模型一道題，讓它一口氣算完；而是模擬一位真實的數據分析師，在對話中不斷給出新指令，考察Agent在多輪交互中的真實能力。
可以說，專治各種“自作主張”和“一意孤行”的AI。
值得一提的是，這項工作由一支星光熠熠的團隊打造，匯集了北京大學與加州大學伯克利分校的頂尖學者，其中不乏機器學習泰斗Michael I. Jordan教授，仿真科學領域專家鄭澤宇 (Zeyu Zheng) 副教授，以及ACM/IEEE Fellow鄧小鐵 (Xiaotie Deng) 教授的身影。
“不聽話”的AI，問題出在哪？
目前，我們看到的很多大模型數據分析工具，比如OpenAI、Gemini和Claude的網頁應用，能力已然非常強大。
但現有的評估基準，大多側重于單輪互動：用戶給出一個明確的、預設好的任務，然后看Agent能否成功執行?？涩F實世界的數據分析，遠非如此。
真實的數據分析師，工作流程是迭代式、探索性的。他們會先查看數據分布，再決定如何處理異常值；會根據初步結果，調整后續的分析策略。這些決策充滿了基于領域知識的“主觀性”，指令也是一步步演進的。
現有基準恰恰忽略了這種動態交互過程，因此無法全面評估Agent在真實協作場景下的可靠性。
IDA-Bench：給AI一場真實的“隨堂測驗”
為了解決這一痛點，IDA-Bench應運而生。它旨在忠實地反映真實數據分析的主觀性和交互性特征。
整個測試框架包含四大核心組件：
- 指令材料 (Instruction Materials)：從真實的、復雜的Kaggle數據分析項目（Python notebooks）中提取，包含背景知識、分析目標和專家的“主觀洞察”。
- 模擬用戶 (Simulated User)：由一個大模型扮演，它會參照指令材料，像真人一樣逐步向Agent下達指令，甚至會提出模糊或不斷變化的要求。
- Agent：即被測試的大模型，它的任務是嚴格遵循“用戶”的指令，通過編寫和執行代碼來完成任務。
- 沙盒環境 (Sandbox Environment)：一個安全隔離的環境，Agent可以在其中執行代碼、訪問數據，并像在Jupyter中一樣保持上下文。
△圖1：(左) IDA-Bench的測試場景 ，(右) IDA-Bench中的任務軌跡示例
為了確保任務的真實性和時效性，防止數據污染，IDA-Bench的構建流程完全自動化。它能持續從Kaggle上發布的最新項目中提取任務，經過篩選、預處理和人工檢查后，生成新的測試用例。
△圖2: IDA-Bench的自動化構建流程
Agent慘遭滑鐵盧，最高分僅40
在這樣一套“嚴刑拷打”下，各大模型紛紛現出原形。
初步評估結果顯示，即便是最先進的大模型，成功率也不足50%。
具體來看，Gemini-2.5-Pro、OpenAI o4-mini和Claude-3.7-Sonnet-Thinking表現位列第一梯隊，但其“基準達成率”（即結果達到或超過人類基準）也僅為40%。
而DeepSeek系列中，作為指令模型的DeepSeek-V3（24%）表現明顯優于其“思考型”模型DeepSeek-R1（12%），這揭示了一個核心挑戰：在遵循指令和自主推理之間取得平衡，對當前Agent來說非常困難。
△表1: 各大模型在IDA-Bench上的表現
此外，Agent們在任務中還會犯下各種低級錯誤，導致提交結果無效。其中最主要的原因是根本沒有生成提交文件，這往往源于模型的“幻覺”。
“自信”的Claude vs “謹慎”的Gemini
深入分析失敗案例，研究團隊發現不同模型展現出了迥異的“性格”。
Claude-3.7和DeepSeek-R1表現得像個“過度自信”的實習生。
它們不怎么遵循用戶的具體指令，而是主動推進分析流程，結果常常因為“自作主張”而錯過了關鍵步驟和信息。比如，用戶建議用一種新方法改進模型，Claude-3.7不等嘗試就直接否定，并提交了之前效果較差的結果。
相比之下，Gemini-2.5-Pro則像一個“過度謹慎”的助理。它每走一步都要反復向用戶尋求確認，有時一個簡單的數據清洗操作能來回溝通30輪，最終因超過回合數限制而任務失敗。
- 幻覺或夸大：許多Agent會聲稱執行了并未進行的操作，比如號稱“優化”了參數，但實際只是隨機設置；更有甚者，憑空捏造從未生成的代碼和不存在的數字結果。
- 格式錯誤：提交文件的列名大小寫弄反，或數據類型不對（如在二分類任務中，要求提交標簽“0”或“1”，模型卻提交了標簽為“1”的概率），都是常見的低級錯誤。
- 固守首次嘗試：一些Agent在初期會做出一個簡單粗暴的嘗試（比如在預測任務中，模型在初期會直接用訓練集的中位數作為預測值），然后就“固執己見”，在后續交互中不再根據新指令開發更復雜的模型。
- 級聯錯誤：當一個代碼塊中途執行失敗時，Agent有時會“假裝”它成功了，導致后續代碼塊因為引用不存在的變量而出錯，引發連鎖反應。
這些發現凸顯了當前LLM Agent在真正成為可靠數據分析助手之前，仍需在理解、遵循和交互能力上進行大量改進。
