产品核心功能 - 产品为面向数据科学的Agentic LLM，无需人工设计的工作流，仅凭一个大语言模型即可自主完成多种复杂数据任务[5] - 支持自动化数据准备、数据分析、数据建模、数据可视化、数据洞察等数据任务[3] - 可在非结构化数据、半结构化数据、结构化数据中进行开放式深度研究，并生成研究报告[3] - 产品在真实环境中自主编排和优化各种操作，以完成复杂的数据科学任务[6] 技术方法与创新 - 提出课程学习式Agentic训练范式，模拟人类数据科学家学习路径，让模型在真实环境中从简单到复杂、从单一任务到综合任务逐步进阶[10][12] - 训练过程包括两大阶段：单能力微调（训练基础能力）和多能力Agentic训练（在真实任务环境中自主完成复杂任务）[13] - 提出面向数据的轨迹合成框架，能够自动合成50万条数据科学推理与环境交互数据，为模型在庞大搜索空间中提供正确路径的示范和引导[10][14] - 数据合成包含推理轨迹合成（构建带有完整推理路径的训练数据）和交互轨迹合成（从结构化数据源中自动合成数据科学交互轨迹）[15] 市场表现与影响力 - 产品论文、代码、模型、数据均已开源，在GitHub上收获1.1K+星标[6] - 在数据研究报告生成任务中，无论是内容深度还是报告结构，产品表现均显著优于现有闭源大语言模型[16] - 团队开源的多语言大模型、多模态大模型、数据科学大模型在GitHub社区累计获得5000+星标[24] 研发团队背景 - 研发团队为中国人民大学信息学院、数据工程与知识工程教育部重点实验室设立的科研团队RUC-DataLab[30] - 团队负责人为中国人民大学教授、博士生导师范举，系国家级青年人才，中国计算机学会数据库专委会、大数据专委会执行委员[28][30] - 团队专注于数据系统与人工智能交叉领域，研究方向包括数据库系统智能化、数据库技术赋能AI系统、数智融合的新型数据科学系统[30] - 团队相关研究成果在计算机领域国际顶级期刊/会议发表论文60余篇，并获得ICDE 2025 Best Paper Runner-Up、ACM SIGMOD Research Highlight Award等奖励[29]

产品概述 - 推出首个面向自主数据科学的agentic LLM——DeepAnalyze-8B，能够模拟数据科学家行为，在真实环境中主动编排、优化操作，完成复杂数据科学任务[2][5] - 该模型支持本地部署，可作为私有数据科学助手使用[7] - 产品所有资源包括论文、代码、模型、数据均已开源[5][8] 核心能力 - 自动化完成数据准备、数据分析、数据建模、数据可视化、数据洞察、报告生成等以数据为核心的任务[4] - 可在任意数量的结构化数据（数据库、CSV、Excel）、半结构化数据（JSON、XML、YAML）、非结构化数据（TXT、Markdown）中进行开放式深度研究，生成分析师级别的研究报告[4] - 具备自主编排和自适应优化操作的能力，能端到端地完成数据科学全流程[10] 技术突破 - 引入Curriculum-based Agentic Training方法，在真实环境中从单一任务到复合任务渐进式训练LLM，避免复杂任务上奖励信号为0导致的强化学习失效[13][14] - 采用Data-grounded Trajectory Synthesis技术，自动化合成500K数据科学的推理、环境交互数据，在庞大搜索空间中提供正确路径指导[13][14] - 解决了复杂场景下的奖励稀疏和轨迹稀缺问题，实现对需要多种能力的高复杂度任务的有效学习[25] 性能表现 - DeepAnalyze-8B在DataSciBench（端到端数据科学Benchmark）上取得59.91的Completion Rate和66.24的Success Rate，优于所有开源模型，与GPT-4o（66.31 Completion Rate，68.44 Success Rate）相媲美[12] - 在DSBench数据分析和数据建模任务上表现优于基于workflow的智能体[12] - 在面向数据的深度研究中取得最佳表现，能生成分析师级别的分析报告[18] - 在具体实验中，DeepAnalyze-8B取得90.63%的成功率，性能得分为39.41，成本为0美元，显著优于其他方法[16] 行业定位 - 推动基于LLM的数据科学系统从workflow-based agent范式转变到可训练的agentic LLM范式[6] - 作为一个基础模型，可以直接应用，或通过提示或监督微调进一步定制以适应特定场景[25] - 解决了现有方法仅支持单点任务、无法端到端完成数据科学全流程的局限性[9]