DeepAnalyze: Agentische Grote Taalmodellen voor Autonome Datawetenschap

DeepAnalyze: Agentic Large Language Models for Autonomous Data Science

October 19, 2025

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

cs.AI

Samenvatting

Autonome datawetenschap, van ruwe databronnen tot diepgaande onderzoeksrapporten van analistenkwaliteit, is al lang een uitdaging en wordt nu haalbaar met de opkomst van krachtige grote taalmodellen (LLM's). Recente workflow-gebaseerde data-agents hebben veelbelovende resultaten laten zien voor specifieke datataken, maar blijven fundamenteel beperkt in het bereiken van volledig autonome datawetenschap vanwege hun afhankelijkheid van vooraf gedefinieerde workflows. In dit artikel introduceren we DeepAnalyze-8B, het eerste agentische LLM dat is ontworpen voor autonome datawetenschap, in staat om de end-to-end pijplijn van databronnen tot onderzoeksrapporten van analistenkwaliteit automatisch te voltooien. Om hoogcomplexe datawetenschapstaken aan te pakken, stellen we een curriculum-gebaseerd agentisch trainingsparadigma voor dat het leerpad van menselijke datawetenschappers nabootst, waardoor LLM's geleidelijk meerdere vaardigheden kunnen verwerven en integreren in real-world omgevingen. We introduceren ook een data-gebaseerd traject-syntheseframework dat hoogwaardige trainingsdata construeert. Door agentische training leert DeepAnalyze een breed scala aan datataken uit te voeren, variërend van data-vraagbeantwoording en gespecialiseerde analytische taken tot open-ended dataonderzoek. Experimenten tonen aan dat DeepAnalyze, met slechts 8B parameters, eerdere workflow-gebaseerde agents die zijn gebouwd op de meest geavanceerde propriëtaire LLM's overtreft. Het model, de code en de trainingsdata van DeepAnalyze zijn open-source, wat de weg vrijmaakt naar autonome datawetenschap.

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.