DeepAnalyze: Modelos de Lenguaje de Gran Escala Agénticos para Ciencia de Datos Autónoma

DeepAnalyze: Agentic Large Language Models for Autonomous Data Science

October 19, 2025

Autores: Shaolei Zhang, Ju Fan, Meihao Fan, Guoliang Li, Xiaoyong Du

cs.AI

Resumen

La ciencia de datos autónoma, desde fuentes de datos en bruto hasta informes de investigación profunda de nivel analítico, ha sido un desafío de larga data y ahora se está volviendo factible con el surgimiento de modelos de lenguaje de gran escala (LLMs, por sus siglas en inglés) potentes. Los agentes de datos basados en flujos de trabajo recientes han mostrado resultados prometedores en tareas de datos específicas, pero siguen siendo fundamentalmente limitados para lograr una ciencia de datos completamente autónoma debido a su dependencia de flujos de trabajo predefinidos. En este artículo, presentamos DeepAnalyze-8B, el primer LLM agencial diseñado para la ciencia de datos autónoma, capaz de completar automáticamente la canalización de extremo a extremo desde fuentes de datos hasta informes de investigación profunda de nivel analítico. Para abordar tareas de ciencia de datos de alta complejidad, proponemos un paradigma de entrenamiento agencial basado en un currículo que emula la trayectoria de aprendizaje de los científicos de datos humanos, permitiendo que los LLMs adquieran e integren progresivamente múltiples capacidades en entornos del mundo real. También introducimos un marco de síntesis de trayectorias basado en datos que construye datos de entrenamiento de alta calidad. A través del entrenamiento agencial, DeepAnalyze aprende a realizar una amplia gama de tareas de datos, desde la respuesta a preguntas sobre datos y tareas analíticas especializadas hasta la investigación de datos de carácter abierto. Los experimentos demuestran que, con solo 8 mil millones de parámetros, DeepAnalyze supera a los agentes basados en flujos de trabajo anteriores construidos sobre los LLMs propietarios más avanzados. El modelo, el código y los datos de entrenamiento de DeepAnalyze se han liberado como código abierto, allanando el camino hacia la ciencia de datos autónoma.

English

Autonomous data science, from raw data sources to analyst-grade deep research reports, has been a long-standing challenge, and is now becoming feasible with the emergence of powerful large language models (LLMs). Recent workflow-based data agents have shown promising results on specific data tasks but remain fundamentally limited in achieving fully autonomous data science due to their reliance on predefined workflows. In this paper, we introduce DeepAnalyze-8B, the first agentic LLM designed for autonomous data science, capable of automatically completing the end-toend pipeline from data sources to analyst-grade deep research reports. To tackle high-complexity data science tasks, we propose a curriculum-based agentic training paradigm that emulates the learning trajectory of human data scientists, enabling LLMs to progressively acquire and integrate multiple capabilities in real-world environments. We also introduce a data-grounded trajectory synthesis framework that constructs high-quality training data. Through agentic training, DeepAnalyze learns to perform a broad spectrum of data tasks, ranging from data question answering and specialized analytical tasks to open-ended data research. Experiments demonstrate that, with only 8B parameters, DeepAnalyze outperforms previous workflow-based agents built on most advanced proprietary LLMs. The model, code, and training data of DeepAnalyze are open-sourced, paving the way toward autonomous data science.