DS-STAR：用于解决跨异构格式与开放式查询的多样任务的数据科学智能体
人工智能
2026-02-25 v4
摘要
虽然大型语言模型（LLM）在自动化数据科学方面展现出了潜力，但现有的智能体通常难以应对现实世界工作流的复杂性，这些工作流需要探索多个来源并综合开放式的见解。在本文中，我们引入了 DS-STAR，一个旨在弥合这一差距的专用智能体。与先前的方法不同，DS-STAR 被设计为 (1) 无缝处理和集成跨多种异构格式的数据，以及 (2) 超越简单的 QA，为开放式查询生成全面的研究报告。广泛的评估表明，DS-STAR 在四个基准上取得了 SOTA 性能：DABStep、DABStep-Research、KramaBench 和 DA-Code。最值得注意的是，它在需要多文件处理的困难级 QA 任务中显著优于现有的基线模型，并生成了高质量的数据科学报告，在超过 88% 的情况下优于最佳基线模型。
引用
@article{arxiv.2509.21825,
title = {DS-STAR: Data Science Agent for Solving Diverse Tasks across Heterogeneous Formats and Open-Ended Queries},
author = {Jaehyun Nam and Jinsung Yoon and Jiefeng Chen and Raj Sinha and Jinwoo Shin and Tomas Pfister},
journal= {arXiv preprint arXiv:2509.21825},
year = {2026}
}