
你是否还在为复杂的文件和海量数据而苦恼?是否希望能够自动从数据中挖掘出真正有价值的信息?顺阳网
最近,来自人大与清华的研究团队推出 DeepAnalyze —— 你的专属「数据科学家」。只需一个指令,它便能自动化分析你的数据、自主完成各类数据科学任务:
数据任务:支持自动化数据准备、数据分析、数据建模、数据可视化、数据洞察
数据研究:可在非结构化数据、半结构化数据、结构化数据中进行开放式深度研究,生成研究报告

DeepAnalyze是首个面向数据科学的Agentic LLM,无需任何 workflow,仅凭一个 LLM 即可像数据科学家一样,自主完成多种复杂的数据任务。
DeepAnalyze 的论文、代码、模型、数据均已开源,收获 1.1K+GitHub 星标,欢迎大家体验!
DeepAnalyze —— 你的专属「数据科学家」
DeepAnalyze 在环境中自主编排和优化各种操作,完成复杂的数据科学任务。
DeepAnalyze 在真实环境中学习复杂任务
数据无处不在,而数据科学一直被视为人类智能的重要体现。从Kaggle比赛到日常的数据分析实践,大量评测都在考察数据科学家在数据准备、分析、建模、可视化与洞察等方面的综合能力。
当前的数据智能体(Data Agent)通常依赖人工设计的workflow,来驱动大模型完成特定的数据分析与可视化任务。虽然在各类单点任务上已取得了令人瞩目的成果,但由于 LLM 的自主性仍然有限,它们距离理想的"全能自主数据科学家"依然存在明显差距。
随着大型语言模型智能水平的不断提升,一个关键问题也愈发突出:如何让 LLM 真正具备自主完成复杂数据科学任务的能力?

DeepAnalyze 通过在真实环境中训练,学会自主编排、自适应优化操作,最终完成复杂的数据科学任务。为实现此,DeepAnalyze 提出课程学习式 Agentic 训练范式(Curriculum-based Agentic Training ofDeepAnalyze)和面向数据的轨迹合成框架(grounded Trajectory Synthesis)。
课程学习式 Agentic 训练
数据科学任务本身具有高度复杂性顺阳网,这让基础 LLM 在早期训练阶段往往难以顺利完成任务。任务复杂性导致模型几乎得不到正向奖励信号(即"奖励稀疏"问题),强化学习过程容易停滞,甚至出现训练崩溃的情况。
为了解决这一难题,DeepAnalyze 提出了「课程学习式 Agentic 训练」。其模拟人类数据科学家的学习路径,让 LLM 在真实环境中从简单到复杂、从单一任务到综合任务逐步进阶。通过这种渐进式训练,模型的能力得以稳步提升,避免在复杂任务中因为"奖励信号为零"而导致学习失败。
训练过程包括两大阶段:
单能力微调:
训练 LLM 在代码生成、结构化数据理解、逻辑推理等方面的基础能力;
多能力 Agentic 训练:
在真实任务环境中,让 LLM 学会运用多种能力,像数据科学家一样自主完成复杂任务。
面向数据的轨迹合成
在数据科学领域,缺乏完整的长链问题求解轨迹,这让 LLM 在探索解题空间时缺乏有效指导,只能进行低效、盲目的"试错式"探索,难以获得有意义的中间监督信号。
为了解决这一难题,DeepAnalyze 提出了「面向数据的轨迹合成」方法。其能够自动合成50 万条数据科学推理与环境交互数据,为大模型在庞大的搜索空间中提供正确路径的示范和引导。
数据合成包含两个关键部分:
推理轨迹合成:
基于现有的 TableQA、结构化知识理解、数据科学代码生成任务,构建带有完整推理路径的训练数据;
交互轨迹合成:
构建多智能体系统,从结构化数据源(如 Spider 和 BIRD)中自动合成数据科学交互轨迹,提供和真实环境的交互轨迹。
DeepAnalyze 支持面向数据的深度研究顺阳网
DeepAnalyze 支持面向数据的深度研究,能够自动生成具备分析师水准的研究报告。
在数据研究报告生成任务中,无论是内容深度还是报告结构,DeepAnalyze 的表现都显著优于现有的闭源 LLM。

分析报告:

作者介绍

张绍磊,中国人民大学信息学院助理教授,位于中国人民大学讲席教授范举教授团队。
他博士毕业于中国科学院计算技术研究所,导师为冯洋研究员。他的研究方向涵盖大语言模型、多模态大模型、AI for Data Science。
相关研究成果在 NeurIPS、ACL、ICLR 等国际人工智能与自然语言处理会议发表论文 30 余篇,开源的多语言大模型、多模态大模型、数据科学大模型在 GitHub 社区累计获得 5000+ 星标。
他长期担任 CCF-A 类国际会议 ACL ARR 的领域主席和责任编辑。个人主页:zhangshaolei1998@github.io。

范举,中国人民大学教授、博士生导师,国家级青年人才,中国计算机学会数据库专委会、大数据专委会执行委员。
研究方向包括:数据治理技术与系统、智能数据库系统等。
相关研究成果在计算机领域国际顶级期刊 / 会议发表论文 60 余篇。作为负责人先后主持国家自然科学基金优秀青年基金项目、重点项目、面上项目,以及多项产学研合作项目。
先后获得 ICDE 2025 Best Paper Runner-Up、ACM SIGMOD Research Highlight Award、ACM China Rising Award、宝钢优秀教师等奖励。
团队介绍:
RUC-DataLab是中国人民大学信息学院、数据工程与知识工程教育部重点实验室设立的科研团队,负责人是范举教授,团队专注于数据系统 + 人工智能 (Data+AI)交叉领域,致力于将数据技术与人工智能技术深度融合,从而打造更加智能、高效的新型数据系统。
实验室的研究方向包括:(1)数据库系统智能化(AI4DB):利用人工智能技术提升数据库系统的查询性能、自治能力等;(2)数据库技术赋能 AI 系统(DB4AI):利用数据管理技术支撑大模型训练的高效处理、大模型推理的低延迟、高吞吐优化;(3)数智融合的新型数据科学系统(AI4DS):利用推理大模型、多模态语义理解与智能体等技术,提升数据科学系统的智能化水平与执行性能,有效释放数据价值。
论文:https://arxiv.org/pdf/2510.16872
代码:https://github.com/ruc-datalab/DeepAnalyze
模型:https://huggingface.co/RUC-DataLab/DeepAnalyze-8B
数据:https://huggingface.co/datasets/RUC-DataLab/DataScience-Instruct-500K
更多示例:https://ruc-deepanalyze.github.io/
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法!
— 完 —
我们正在招聘一名眼疾手快、关注 AI 的学术编辑实习生 � �
感兴趣的小伙伴欢迎关注 � � 了解详情

� � 点亮星标 � �
科技前沿进展每日见顺阳网
思考资本配资提示:文章来自网络,不代表本站观点。