人大、清華DeepAnalyze，讓LLM化身數據科學家

2025-10-31 08:59:00

DeepAnalyze-8B 能夠模擬數據科學家的行為，在真實環境中主動編排、優化操作，最終完成復雜的數據科學任務。

來自人大和清華的研究團隊發布了 DeepAnalyze，首個面向自主數據科學的 agentic LLM。DeepAnalyze引起了社區內廣泛討論，一周內收獲1000多個GitHub星標、20w余次社交媒體瀏覽量。

DeepAnalyze正在不斷完善中，誠邀大家交流合作！歡迎研究者和從業者在GitHub提交pull request，成為contributor，共建DeepAnalyze！

DeepAnalyze-8B 能夠模擬數據科學家的行為，在真實環境中主動編排、優化操作，最終完成復雜的數據科學任務。支持各種以數據為核心的任務：

數據任務：自動化數據準備、數據分析、數據建模、數據可視化、數據洞察、報告生成；
數據研究：可在任意數量的結構化數據（數據庫、CSV、Excel）、半結構化數據（JSON、XML、YAML）、非結構化數據（TXT、Markdown）中進行開放式深度研究，生成分析師級別的研究報告；

DeepAnalyze 是一個 agentic LLM，無需任何啟發式 workflow，即可自主完成復雜數據科學任務

DeepAnalyze 的論文、代碼、模型、數據均已開源，歡迎大家體驗！

DeepAnalyze 可本地部署，作為您的私有數據科學助手！

現有將 LLMs 應用于自主數據科學的方法，可以分為兩類：

現有工作面臨兩方面局限性：

DeepAnalyze 希望推動基于 LLM 的數據科學系統從 workflow-based agent 范式轉變到可訓練的 agentic LLM 范式。

數據科學的復雜性為訓練 agentic LLM 提出了新的挑戰，包括：

針對這兩個問題，DeepAnalyze 引入了：

Curriculum-based Agentic Training：在真實環境中從單一任務到符合任務漸進式訓練 LLM，讓大模型逐步提升能力，避免在復雜任務上獎勵信號為 0 導致的強化學習失效
Data-grounded Trajectory Synthesis：自動化合成 500K 數據科學的推理、環境交互數據，在龐大的搜索空間中提供正確路徑的指導

通過在真實環境中的 agentic 訓練，DeepAnalyze 具備了自動編排和自適應優化操作的能力，能端到端地完成數據科學全流程，包括具體的數據任務和開放式的數據研究。

1. DeepAnalyze-8B 在 DataSciBench（端到端數據科學 Benchmark）優于所有開源模型，和 GPT-4o 相媲美

2. DeepAnalyze 在 DSBench 數據分析和數據建模任務上由于基于 workflow 的智能體

3. DeepAnalyze 在面向數據的深度研究中取得最佳表現，能生成分析師級別的分析報告

例如：

更多實驗結果請參見 DeepAnalyze 論文。

DeepAnalyze 是首個面向自主數據科學的 agentic LLM，具備兩項關鍵能力：自主編排（autonomous orchestration）和自適應優化（adaptive optimization）。
DeepAnalyze 作為一個基礎模型，可以直接應用，或通過提示（prompting）或監督微調（supervised fine-tuning）進一步定制以適應特定場景。
提出的 Curriculum-based Agentic Training 訓練范式和 data-grounded trajectory synthesis 數據合成方法，解決了復雜場景下的獎勵稀疏（reward sparsity）和軌跡稀缺（trajectory scarcity）問題，實現對需要多種能力的高復雜度任務的有效學習。

責任編輯：張燕妮來源：機器之心