DeepAnalyze: Агентные большие языковые модели для автономной науки о данных

DeepAnalyze: Agentic Large Language Models for Autonomous Data Science

October 19, 2025

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

cs.AI

Аннотация

Автономная обработка данных, начиная с исходных данных и заканчивая глубокими аналитическими отчетами, долгое время оставалась сложной задачей, но теперь становится осуществимой благодаря появлению мощных больших языковых моделей (LLM). Недавние агенты на основе рабочих процессов показали многообещающие результаты в решении конкретных задач, связанных с данными, но остаются принципиально ограниченными в достижении полной автономности из-за их зависимости от предопределенных рабочих процессов. В данной статье мы представляем DeepAnalyze-8B — первую агентскую LLM, разработанную для автономной обработки данных, способную автоматически выполнять сквозной процесс от источников данных до глубоких аналитических отчетов. Для решения задач высокой сложности в области обработки данных мы предлагаем учебно-ориентированную парадигму агентского обучения, которая имитирует траекторию обучения человеческих специалистов по данным, позволяя LLM постепенно приобретать и интегрировать множество навыков в реальных условиях. Мы также представляем фреймворк синтеза траекторий, основанный на данных, который создает высококачественные обучающие данные. Благодаря агентскому обучению DeepAnalyze учится выполнять широкий спектр задач, начиная с ответов на вопросы по данным и специализированных аналитических задач и заканчивая открытыми исследованиями данных. Эксперименты показывают, что, имея всего 8 миллиардов параметров, DeepAnalyze превосходит предыдущих агентов на основе рабочих процессов, построенных на самых передовых проприетарных LLM. Модель, код и обучающие данные DeepAnalyze находятся в открытом доступе, что открывает путь к автономной обработке данных.

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.