论文页面 - 探索用于模型专业化的自主智能体数据工程

来源：https://huggingface.co/papers/2605.30407 作者：

,

,

,

,

,

,

,

,

,

,

,

摘要

大型语言模型可以通过迭代数据适应与优化，自主执行端到端的数据工程流水线，以实现模型专业化。

大型语言模型（Large Language Models，LLMs）在通用任务上表现出色，但在没有高质量领域特定数据的情况下，往往难以适应专业领域。现有的基于LLM的数据筛选（data curation）方法主要依赖人工设计的工作流程，尚未深入探究LLM能否自主执行端到端的数据工程流水线（end-to-end data engineering pipeline）以实现模型专业化（model specialization）。我们正式定义了自主智能体数据工程（Autonomous Agentic Data Engineering）这一新任务，旨在评估LLM作为自主数据工程师，通过端到端的数据筛选（data curation）推动模型专业化（model specialization）的能力。我们将数据视为可优化组件，并研究能够跨多个领域规划、生成并迭代优化训练数据的智能体，其优化方向由训练后性能提升（post-training performance improvement）引导。实验表明，自主LLM数据工程师带来了显著收益：GPT-5.2构建的训练课程使学生模型性能提升了57.29%，这完全是通过迭代的、智能体驱动的数据适应（agent-driven data adaptation）实现的。通过揭示潜力与瓶颈，我们的研究将自主数据工程确立为一项可衡量的能力，并为面向智能体驱动的模型专业化（model specialization）指明了道路。代码将在 https://github.com/zjunlp/DataAgent 发布。

查看 arXiv 页面（https://arxiv.org/abs/2605.30407）查看 PDF（https://arxiv.org/pdf/2605.30407）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2605.30407）

在你的智能体中获取此论文：

hf papers read 2605.30407

没有最新的命令行界面？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型 0

没有模型链接到此论文

请在模型 README.md 中引用 arxiv.org/abs/2605.30407 以从此页面链接。

引用此论文的数据集 0

没有数据集链接到此论文

请在数据集 README.md 中引用 arxiv.org/abs/2605.30407 以从此页面链接。

引用此论文的 Space 0

没有 Space 链接到此论文

请在 Space README.md 中引用 arxiv.org/abs/2605.30407 以从此页面链接。

包含此论文的收藏集 0

没有收藏集包含此论文

请将此论文添加到收藏集（https://huggingface.co/new-collection）以从此页面链接。