你是否還在為復雜的文件和海量數據而苦惱？是否希望能夠自動從數據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「數據科學家」。只需一個指令，它便能自動化分析你的數據、自主完成各類數據科學任務：

• 數據任務：支持自動化數據準備、數據分析、數據建模、數據可視化、數據洞察
• 數據研究：可在非結構化數據、半結構化數據、結構化數據中進行開放式深度研究，生成研究報告

DeepAnalyze是首個面向數據科學的Agentic LLM，無需任何workflow，僅憑一個LLM即可像數據科學家一樣，自主完成多種復雜的數據任務。

DeepAnalyze的論文、代碼、模型、數據均已開源，收獲1.1K+GitHub星標，歡迎大家體驗！

DeepAnalyze —— 你的專屬「數據科學家」

DeepAnalyze在環境中自主編排和優化各種操作，完成復雜的數據科學任務。

DeepAnalyze在真實環境中學習復雜任務

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

當前的數據智能體（Data Agent）通常依賴人工設計的workflow，來驅動大模型完成特定的數據分析與可視化任務。雖然在各類單點任務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“全能自主數據科學家”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，一個關鍵問題也愈發突出：如何讓LLM真正具備自主完成復雜數據科學任務的能力？

DeepAnalyze通過在真實環境中訓練，學會自主編排、自適應優化操作，最終完成復雜的數據科學任務。為實現此，DeepAnalyze提出課程學習式Agentic訓練范式（Curriculum-based Agentic Training ofDeepAnalyze）和面向數據的軌跡合成框架（Data-grounded Trajectory Synthesis）。

課程學習式Agentic訓練

數據科學任務本身具有高度復雜性，這讓基礎LLM在早期訓練階段往往難以順利完成任務。任務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」。其模擬人類數據科學家的學習路徑，讓LLM在真實環境中從簡單到復雜、從單一任務到綜合任務逐步進階。通過這種漸進式訓練，模型的能力得以穩步提升，避免在復雜任務中因為“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：
• 訓練LLM在代碼生成、結構化數據理解、邏輯推理等方面的基礎能力；
• 多能力Agentic訓練：
• 在真實任務環境中，讓LLM學會運用多種能力，像數據科學家一樣自主完成復雜任務。

面向數據的軌跡合成

在數據科學領域，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督信號。

為了解決這一難題，DeepAnalyze提出了「面向數據的軌跡合成」方法。其能夠自動合成50萬條數據科學推理與環境交互數據，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。

數據合成包含兩個關鍵部分：

• 推理軌跡合成：
• 基于現有的 TableQA、結構化知識理解、數據科學代碼生成任務，構建帶有完整推理路徑的訓練數據；
• 交互軌跡合成：
• 構建多智能體系統，從結構化數據源（如Spider和BIRD）中自動合成數據科學交互軌跡，提供和真實環境的交互軌跡。

DeepAnalyze支持面向數據的深度研究

DeepAnalyze支持面向數據的深度研究，能夠自動生成具備分析師水準的研究報告。
在數據研究報告生成任務中，無論是內容深度還是報告結構，DeepAnalyze的表現都顯著優于現有的閉源LLM。