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

論文鏈接：https://arxiv.org/pdf/2510.16872代碼、Demo鏈接：https://github.com/ruc-datalab/DeepAnalyze模型鏈接：https://huggingface.co/RUC-DataLab/DeepAnalyze-8B數據鏈接：https://huggingface.co/datasets/RUC-DataLab/DataScience-Instruct-500K

DeepAnalyze 的論文、代碼、模型、數據均已開源，歡迎大家體驗！

DeepAnalyze: 自主完成數據科學全流程

DeepAnalyze 可本地部署，作為您的私有數據科學助手！

DeepAnalyze 是什么？

現有將 LLMs 應用于自主數據科學的方法，可以分為兩類：

領域特定的 LLM：面向數據科學的代碼生成 LLM、結構化數據理解 LLM...基于 workflow 的智能體：人為設計 workflow，通過 prompt 調用閉源 LLM 完成任務

現有工作面臨兩方面局限性：

僅支持單點任務（例如數據分析、數據建模），無法端到端完成數據科學全流程。閉源模型未在真實環境中的數據科學任務上訓練過，難以編排和優化各種復雜操作。

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：

獎勵稀疏：數據科學的復雜性使得 LLMs 在訓練的早期階段基本無法成功完成任務，難以獲得正向獎勵信號，從而導致 agentic LLM 訓練過程崩潰。路徑稀缺：數據科學的解決過程通常依賴長鏈推理，求解軌跡的稀缺使得 LLMs 缺少足夠的指導，導致其在龐大的搜索空間中進行低效且盲目的試錯式探索。

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。

DeepAnalyze 在數據科學 Benchmarks 上表現優異

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。

總結

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。

附 DeepAnalyze 交流討論群：https://mmbiz.qpic.cn/sz_mmbiz_jpg/KmXPKA19gWic6zf3dIibVR9xawZv04VjicAI9yx40Al0AcA4sv5MDErrLrloTbEKUDiah5vc0K5jpgKibrfJwrXT6hg/640?wx_fmt=jpeg&from=appmsg&tp=wxpic&wxfrom=5&wx_lazy=1#imgIndex=7

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。他博士畢業于中國科學院計算技術研究所，導師為馮洋研究員。他的研究方向涵蓋大語言模型、多模態大模型、AI for Data Science。相關研究成果在 NeurIPS、ACL、ICLR 等國際人工智能與自然語言處理會議發表論文 30 余篇，開源的多語言大模型、多模態大模型、數據科學大模型在 GitHub 社區累計獲得 5000 + 星標。他長期擔任 CCF-A 類國際會議 ACL ARR 的領域主席和責任編輯。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，中國計算機學會數據庫專委會、大數據專委會執行委員。研究方向包括：數據治理技術與系統、智能數據庫系統等。相關研究成果在計算機領域國際頂級期刊 / 會議發表論文 60 余篇。作為負責人先后主持國家自然科學基金優秀青年基金項目、重點項目、面上項目，以及多項產學研合作項目。先后獲得 ICDE 2025 Best Paper Runner-Up、ACM SIGMOD Research Highlight Award、ACM China Rising Award、寶鋼優秀教師等獎勵。

RUC-DataLab是中國人民大學信息學院、數據工程與知識工程教育部重點實驗室設立的科研團隊，負責人是范舉教授，團隊專注于數據系統+人工智能 （Data+AI）交叉領域，致力于將數據技術與人工智能技術深度融合，從而打造更加智能、高效的新型數據系統。主要研究方向包括：（1）數據庫系統智能化（AI4DB）：利用人工智能技術提升數據庫系統的查詢性能、自治能力等；（2）數據庫技術賦能AI系統（DB4AI）：利用數據管理技術支撐大模型訓練的數據準備、大模型推理的低延遲、高吞吐優化；（3）數智融合的新型數據科學系統（AI4DS）：利用推理大模型、多模態語義理解與智能體等技術，提升數據科學系統的智能化水平與執行性能，有效釋放數據價值。