DeepAnalyze: Modelli Linguistici di Grande Scala Agenti per la Scienza dei Dati Autonoma

DeepAnalyze: Agentic Large Language Models for Autonomous Data Science

October 19, 2025

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

cs.AI

Abstract

La scienza dei dati autonoma, dalle fonti di dati grezzi ai rapporti di ricerca approfondita di livello analitico, è stata una sfida di lunga data e sta ora diventando fattibile con l'emergere di potenti modelli linguistici di grandi dimensioni (LLM). Recenti agenti di dati basati su flussi di lavoro hanno mostrato risultati promettenti su specifici compiti di dati, ma rimangono fondamentalmente limitati nel raggiungere una scienza dei dati completamente autonoma a causa della loro dipendenza da flussi di lavoro predefiniti. In questo articolo, introduciamo DeepAnalyze-8B, il primo LLM agentico progettato per la scienza dei dati autonoma, in grado di completare automaticamente la pipeline end-to-end dalle fonti di dati ai rapporti di ricerca approfondita di livello analitico. Per affrontare compiti di scienza dei dati ad alta complessità, proponiamo un paradigma di formazione agentico basato su un curriculum che emula la traiettoria di apprendimento degli scienziati dei dati umani, consentendo agli LLM di acquisire e integrare progressivamente molteplici capacità in ambienti reali. Introduciamo inoltre un framework di sintesi delle traiettorie basato sui dati che costruisce dati di formazione di alta qualità. Attraverso la formazione agentica, DeepAnalyze impara a eseguire un'ampia gamma di compiti di dati, che vanno dalla risposta alle domande sui dati e compiti analitici specializzati alla ricerca di dati aperti. Gli esperimenti dimostrano che, con soli 8 miliardi di parametri, DeepAnalyze supera i precedenti agenti basati su flussi di lavoro costruiti sui più avanzati LLM proprietari. Il modello, il codice e i dati di formazione di DeepAnalyze sono open-source, aprendo la strada verso una scienza dei dati autonoma.

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.