DeepAnalyze : Modèles de Langage Agentiques à Grande Échelle pour la Science des Données Autonome

DeepAnalyze: Agentic Large Language Models for Autonomous Data Science

October 19, 2025

papers.authors: Shaolei Zhang, Ju Fan, Meihao Fan, Guoliang Li, Xiaoyong Du

cs.AI

papers.abstract

La science des données autonome, des sources de données brutes aux rapports de recherche approfondis de niveau analyste, constitue un défi de longue date, qui devient désormais réalisable avec l'émergence de modèles de langage de grande envergure (LLMs). Les agents de données basés sur des workflows récents ont montré des résultats prometteurs pour des tâches spécifiques, mais restent fondamentalement limités dans la réalisation d'une science des données entièrement autonome en raison de leur dépendance à des workflows prédéfinis. Dans cet article, nous présentons DeepAnalyze-8B, le premier LLM agentique conçu pour la science des données autonome, capable de compléter automatiquement le pipeline de bout en bout, des sources de données aux rapports de recherche approfondis de niveau analyste. Pour relever les défis de tâches de science des données de haute complexité, nous proposons un paradigme de formation agentique basé sur un curriculum qui imite la trajectoire d'apprentissage des scientifiques de données humains, permettant aux LLMs d'acquérir et d'intégrer progressivement plusieurs capacités dans des environnements réels. Nous introduisons également un cadre de synthèse de trajectoire ancré dans les données qui construit des données de formation de haute qualité. Grâce à la formation agentique, DeepAnalyze apprend à exécuter un large éventail de tâches de données, allant de la réponse aux questions sur les données et des tâches analytiques spécialisées à la recherche de données ouverte. Les expériences démontrent qu'avec seulement 8 milliards de paramètres, DeepAnalyze surpasse les agents basés sur des workflows précédents construits sur les LLMs propriétaires les plus avancés. Le modèle, le code et les données de formation de DeepAnalyze sont open-source, ouvrant la voie vers une science des données autonome.

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.