北大鄧小鐵課題組 投稿
量子位 | 公眾號 QbitAI

給大模型當老師，讓它一步步按你的想法做數(shù)據(jù)分析，有多難？

結果是，連Claude-3.7和Gemini-2.5 Pro這樣的頂尖選手，都開始“不聽話”了。

在一個全新的測試基準中，它們面對多輪、不斷演進的指令，最終的任務成功率最高僅有40%。

這項名為IDA-Bench的新基準，就是為了模擬真實世界中這種“邊想邊改”的分析場景而生。

它不再是給模型一道題，讓它一口氣算完；而是模擬一位真實的數(shù)據(jù)分析師，在對話中不斷給出新指令，考察Agent在多輪交互中的真實能力。

可以說，專治各種“自作主張”和“一意孤行”的AI。

值得一提的是，這項工作由一支星光熠熠的團隊打造，匯集了北京大學與加州大學伯克利分校的頂尖學者，其中不乏機器學習泰斗Michael I. Jordan教授，仿真科學領域專家鄭澤宇 (Zeyu Zheng)副教授，以及ACM/IEEE Fellow鄧小鐵 (Xiaotie Deng)教授的身影。

“不聽話”的AI，問題出在哪？

目前，我們看到的很多大模型數(shù)據(jù)分析工具，比如OpenAI、Gemini和Claude的網(wǎng)頁應用，能力已然非常強大。

但現(xiàn)有的評估基準，大多側重于單輪互動：用戶給出一個明確的、預設好的任務，然后看Agent能否成功執(zhí)行。
可現(xiàn)實世界的數(shù)據(jù)分析，遠非如此。

真實的數(shù)據(jù)分析師，工作流程是迭代式、探索性的。他們會先查看數(shù)據(jù)分布，再決定如何處理異常值；會根據(jù)初步結果，調整后續(xù)的分析策略。這些決策充滿了基于領域知識的“主觀性”，指令也是一步步演進的。

現(xiàn)有基準恰恰忽略了這種動態(tài)交互過程，因此無法全面評估Agent在真實協(xié)作場景下的可靠性。

IDA-Bench：給AI一場真實的“隨堂測驗”

為了解決這一痛點，IDA-Bench應運而生。它旨在忠實地反映真實數(shù)據(jù)分析的主觀性和交互性特征。

整個測試框架包含四大核心組件：

• 指令材料 (Instruction Materials)：從真實的、復雜的Kaggle數(shù)據(jù)分析項目（Python notebooks）中提取，包含背景知識、分析目標和專家的“主觀洞察”。
• 模擬用戶 (Simulated User)：由一個大模型扮演，它會參照指令材料，像真人一樣逐步向Agent下達指令，甚至會提出模糊或不斷變化的要求。
• Agent：即被測試的大模型，它的任務是嚴格遵循“用戶”的指令，通過編寫和執(zhí)行代碼來完成任務。
• 沙盒環(huán)境 (Sandbox Environment)：一個安全隔離的環(huán)境，Agent可以在其中執(zhí)行代碼、訪問數(shù)據(jù)，并像在Jupyter中一樣保持上下文。

△圖1：(左) IDA-Bench的測試場景 ，(右) IDA-Bench中的任務軌跡示例

為了確保任務的真實性和時效性，防止數(shù)據(jù)污染，IDA-Bench的構建流程完全自動化。它能持續(xù)從Kaggle上發(fā)布的最新項目中提取任務，經(jīng)過篩選、預處理和人工檢查后，生成新的測試用例。

△圖2: IDA-Bench的自動化構建流程

Agent慘遭滑鐵盧，最高分僅40

在這樣一套“嚴刑拷打”下，各大模型紛紛現(xiàn)出原形。

初步評估結果顯示，即便是最先進的大模型，成功率也不足50%。

具體來看，Gemini-2.5-Pro、OpenAI o4-mini和Claude-3.7-Sonnet-Thinking表現(xiàn)位列第一梯隊，但其“基準達成率”（即結果達到或超過人類基準）也僅為40%。

而DeepSeek系列中，作為指令模型的DeepSeek-V3（24%）表現(xiàn)明顯優(yōu)于其“思考型”模型DeepSeek-R1（12%），這揭示了一個核心挑戰(zhàn)：在遵循指令和自主推理之間取得平衡，對當前Agent來說非常困難。

△表1: 各大模型在IDA-Bench上的表現(xiàn)

此外，Agent們在任務中還會犯下各種低級錯誤，導致提交結果無效。其中最主要的原因是根本沒有生成提交文件，這往往源于模型的“幻覺”。

“自信”的Claude vs “謹慎”的Gemini

深入分析失敗案例，研究團隊發(fā)現(xiàn)不同模型展現(xiàn)出了迥異的“性格”。

Claude-3.7和DeepSeek-R1表現(xiàn)得像個“過度自信”的實習生。

它們不怎么遵循用戶的具體指令，而是主動推進分析流程，結果常常因為“自作主張”而錯過了關鍵步驟和信息。比如，用戶建議用一種新方法改進模型，Claude-3.7不等嘗試就直接否定，并提交了之前效果較差的結果。

相比之下，Gemini-2.5-Pro則像一個“過度謹慎”的助理。它每走一步都要反復向用戶尋求確認，有時一個簡單的數(shù)據(jù)清洗操作能來回溝通30輪，最終因超過回合數(shù)限制而任務失敗。

• 幻覺或夸大：許多Agent會聲稱執(zhí)行了并未進行的操作，比如號稱“優(yōu)化”了參數(shù)，但實際只是隨機設置；更有甚者，憑空捏造從未生成的代碼和不存在的數(shù)字結果。
• 格式錯誤：提交文件的列名大小寫弄反，或數(shù)據(jù)類型不對（如在二分類任務中，要求提交標簽“0”或“1”，模型卻提交了標簽為“1”的概率），都是常見的低級錯誤。
• 固守首次嘗試：一些Agent在初期會做出一個簡單粗暴的嘗試（比如在預測任務中，模型在初期會直接用訓練集的中位數(shù)作為預測值），然后就“固執(zhí)己見”，在后續(xù)交互中不再根據(jù)新指令開發(fā)更復雜的模型。
• 級聯(lián)錯誤：當一個代碼塊中途執(zhí)行失敗時，Agent有時會“假裝”它成功了，導致后續(xù)代碼塊因為引用不存在的變量而出錯，引發(fā)連鎖反應。

這些發(fā)現(xiàn)凸顯了當前LLM Agent在真正成為可靠數(shù)據(jù)分析助手之前，仍需在理解、遵循和交互能力上進行大量改進。

論文鏈接:
https://arxiv.org/abs/2505.18223

項目主頁:
https://github.com/lhydave/IDA-Bench