• DeepAnalyze團隊 投稿
  量子位 | 公眾號 QbitAI

你是否還在為復雜的文件和海量數(shù)據(jù)而苦惱？是否希望能夠自動從數(shù)據(jù)中挖掘出真正有價值的信息？

最近，來自人大與清華的研究團隊推出DeepAnalyze —— 你的專屬「數(shù)據(jù)科學家」。只需一個指令，它便能自動化分析你的數(shù)據(jù)、自主完成各類數(shù)據(jù)科學任務(wù)：

• 數(shù)據(jù)任務(wù)：支持自動化數(shù)據(jù)準備、數(shù)據(jù)分析、數(shù)據(jù)建模、數(shù)據(jù)可視化、數(shù)據(jù)洞察
• 數(shù)據(jù)研究：可在非結(jié)構(gòu)化數(shù)據(jù)、半結(jié)構(gòu)化數(shù)據(jù)、結(jié)構(gòu)化數(shù)據(jù)中進行開放式深度研究，生成研究報告

DeepAnalyze是首個面向數(shù)據(jù)科學的Agentic LLM，無需任何workflow，僅憑一個LLM即可像數(shù)據(jù)科學家一樣，自主完成多種復雜的數(shù)據(jù)任務(wù)。

DeepAnalyze的論文、代碼、模型、數(shù)據(jù)均已開源，收獲1.1K+GitHub星標，歡迎大家體驗！

DeepAnalyze —— 你的專屬「數(shù)據(jù)科學家」

DeepAnalyze在環(huán)境中自主編排和優(yōu)化各種操作，完成復雜的數(shù)據(jù)科學任務(wù)。

DeepAnalyze在真實環(huán)境中學習復雜任務(wù)

數(shù)據(jù)無處不在，而數(shù)據(jù)科學一直被視為人類智能的重要體現(xiàn)。從Kaggle比賽到日常的數(shù)據(jù)分析實踐，大量評測都在考察數(shù)據(jù)科學家在數(shù)據(jù)準備、分析、建模、可視化與洞察等方面的綜合能力。

當前的數(shù)據(jù)智能體（Data Agent）通常依賴人工設(shè)計的workflow，來驅(qū)動大模型完成特定的數(shù)據(jù)分析與可視化任務(wù)。雖然在各類單點任務(wù)上已取得了令人矚目的成果，但由于LLM的自主性仍然有限，它們距離理想的“全能自主數(shù)據(jù)科學家”依然存在明顯差距。

隨著大型語言模型智能水平的不斷提升，一個關(guān)鍵問題也愈發(fā)突出：如何讓LLM真正具備自主完成復雜數(shù)據(jù)科學任務(wù)的能力？

DeepAnalyze通過在真實環(huán)境中訓練，學會自主編排、自適應(yīng)優(yōu)化操作，最終完成復雜的數(shù)據(jù)科學任務(wù)。為實現(xiàn)此，DeepAnalyze提出課程學習式Agentic訓練范式（Curriculum-based Agentic Training ofDeepAnalyze）和面向數(shù)據(jù)的軌跡合成框架（Data-grounded Trajectory Synthesis）。

課程學習式Agentic訓練

數(shù)據(jù)科學任務(wù)本身具有高度復雜性，這讓基礎(chǔ)LLM在早期訓練階段往往難以順利完成任務(wù)。任務(wù)復雜性導致模型幾乎得不到正向獎勵信號（即“獎勵稀疏”問題），強化學習過程容易停滯，甚至出現(xiàn)訓練崩潰的情況。

為了解決這一難題，DeepAnalyze提出了「課程學習式 Agentic 訓練」。其模擬人類數(shù)據(jù)科學家的學習路徑，讓LLM在真實環(huán)境中從簡單到復雜、從單一任務(wù)到綜合任務(wù)逐步進階。通過這種漸進式訓練，模型的能力得以穩(wěn)步提升，避免在復雜任務(wù)中因為“獎勵信號為零”而導致學習失敗。

訓練過程包括兩大階段：

• 單能力微調(diào)：
• 訓練LLM在代碼生成、結(jié)構(gòu)化數(shù)據(jù)理解、邏輯推理等方面的基礎(chǔ)能力；
• 多能力Agentic訓練：
• 在真實任務(wù)環(huán)境中，讓LLM學會運用多種能力，像數(shù)據(jù)科學家一樣自主完成復雜任務(wù)。

面向數(shù)據(jù)的軌跡合成

在數(shù)據(jù)科學領(lǐng)域，缺乏完整的長鏈問題求解軌跡，這讓LLM在探索解題空間時缺乏有效指導，只能進行低效、盲目的“試錯式”探索，難以獲得有意義的中間監(jiān)督信號。

為了解決這一難題，DeepAnalyze提出了「面向數(shù)據(jù)的軌跡合成」方法。其能夠自動合成50萬條數(shù)據(jù)科學推理與環(huán)境交互數(shù)據(jù)，為大模型在龐大的搜索空間中提供正確路徑的示范和引導。

數(shù)據(jù)合成包含兩個關(guān)鍵部分：

• 推理軌跡合成：
• 基于現(xiàn)有的 TableQA、結(jié)構(gòu)化知識理解、數(shù)據(jù)科學代碼生成任務(wù)，構(gòu)建帶有完整推理路徑的訓練數(shù)據(jù)；
• 交互軌跡合成：
• 構(gòu)建多智能體系統(tǒng)，從結(jié)構(gòu)化數(shù)據(jù)源（如Spider和BIRD）中自動合成數(shù)據(jù)科學交互軌跡，提供和真實環(huán)境的交互軌跡。

DeepAnalyze支持面向數(shù)據(jù)的深度研究

DeepAnalyze支持面向數(shù)據(jù)的深度研究，能夠自動生成具備分析師水準的研究報告。
在數(shù)據(jù)研究報告生成任務(wù)中，無論是內(nèi)容深度還是報告結(jié)構(gòu)，DeepAnalyze的表現(xiàn)都顯著優(yōu)于現(xiàn)有的閉源LLM。

分析報告：

作者介紹

張紹磊，中國人民大學信息學院助理教授，位于中國人民大學講席教授范舉教授團隊。

他博士畢業(yè)于中國科學院計算技術(shù)研究所，導師為馮洋研究員。他的研究方向涵蓋大語言模型、多模態(tài)大模型、AI for Data Science。

相關(guān)研究成果在NeurIPS、ACL、ICLR等國際人工智能與自然語言處理會議發(fā)表論文30余篇，開源的多語言大模型、多模態(tài)大模型、數(shù)據(jù)科學大模型在GitHub社區(qū)累計獲得5000+星標。

他長期擔任CCF-A類國際會議ACL ARR的領(lǐng)域主席和責任編輯。個人主頁：zhangshaolei1998@github.io。

范舉，中國人民大學教授、博士生導師，國家級青年人才，中國計算機學會數(shù)據(jù)庫專委會、大數(shù)據(jù)專委會執(zhí)行委員。

研究方向包括：數(shù)據(jù)治理技術(shù)與系統(tǒng)、智能數(shù)據(jù)庫系統(tǒng)等。

相關(guān)研究成果在計算機領(lǐng)域國際頂級期刊/會議發(fā)表論文60余篇。作為負責人先后主持國家自然科學基金優(yōu)秀青年基金項目、重點項目、面上項目，以及多項產(chǎn)學研合作項目。

先后獲得ICDE 2025 Best Paper Runner-Up、ACM SIGMOD Research Highlight Award、ACM China Rising Award、寶鋼優(yōu)秀教師等獎勵。

團隊介紹

RUC-DataLab是中國人民大學信息學院、數(shù)據(jù)工程與知識工程教育部重點實驗室設(shè)立的科研團隊，負責人是范舉教授，團隊專注于數(shù)據(jù)系統(tǒng)+人工智能 （Data+AI）交叉領(lǐng)域，致力于將數(shù)據(jù)技術(shù)與人工智能技術(shù)深度融合，從而打造更加智能、高效的新型數(shù)據(jù)系統(tǒng)。

實驗室的研究方向包括：（1）數(shù)據(jù)庫系統(tǒng)智能化（AI4DB）：利用人工智能技術(shù)提升數(shù)據(jù)庫系統(tǒng)的查詢性能、自治能力等；（2）數(shù)據(jù)庫技術(shù)賦能AI系統(tǒng)（DB4AI）：利用數(shù)據(jù)管理技術(shù)支撐大模型訓練的高效處理、大模型推理的低延遲、高吞吐優(yōu)化；（3）數(shù)智融合的新型數(shù)據(jù)科學系統(tǒng)（AI4DS）：利用推理大模型、多模態(tài)語義理解與智能體等技術(shù)，提升數(shù)據(jù)科學系統(tǒng)的智能化水平與執(zhí)行性能，有效釋放數(shù)據(jù)價值。

論文：https://arxiv.org/pdf/2510.16872
代碼：https://github.com/ruc-datalab/DeepAnalyze
模型：https://huggingface.co/RUC-DataLab/DeepAnalyze-8B
數(shù)據(jù)：https://huggingface.co/datasets/RUC-DataLab/DataScience-Instruct-500K
更多示例：https://ruc-deepanalyze.github.io/