TEAL：数据湖分析编码智能体的无监督工具演化
原文标题：Unsupervised Tool Evolution for Coding Agents in Data-Lake Analytics
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出 TEAL，让编码智能体在无标签条件下为数据湖分析演化可复用工具库，由 Explorer 与 Critic 双智能体从互补证据提出工具，并引入 TEAL-Q 生成合成问题。在 KramaBench 与 LakeQA 上，Sonnet-5 在 15 步预算下分别提升 9.3 与 21.7 分，合成问题演化的工具库效果接近真实问题。
- 问题
- 数据湖分析中编码智能体每题都从零重做数据发现与清洗，经验无法复用，且缺少真值标签。
- 方法
- 无监督工具演化：Explorer 从数据湖、Critic 从执行轨迹互补提出工具，仅当 Worker 重跑时无额外步骤即采用才保留，并用 TEAL-Q 生成合成问题。
- 结果
- KramaBench 与 LakeQA 上，Sonnet-5 在 15 步预算下分别提升 9.3 与 21.7 分，四个 Worker 模型均获提升。
- 影响
- 展示无标签条件下工具库自演化的可行路径，做数据分析 agent 的团队可据此减少重复劳动。
深读 · 结论先行AI 生成展开看要点与影响 ↓
TEAL无标签演化工具库，Sonnet-5在15步预算下KramaBench涨9.3分、LakeQA涨21.7分。
- •针对编码智能体每次分析数据湖都从零重做、丢弃已有工作的问题，自动构建并精炼可复用工具。
- •Explorer从数据湖本身、Critic从Worker轨迹提出工具，仅当Worker重跑时无需额外步骤即采用、且改动答案有轨迹证据支持才保留。
- •TEAL-Q在缺少真实问题时生成合成问题驱动演化，其演化出的工具库效果接近真实问题。
- •在KramaBench与LakeQA上，10或15步紧预算下四个Worker模型全部提升；预算越紧反馈越好。
为什么重要：证明无标签也能做工具演化，绕开数据湖问答需专家标注真值的成本瓶颈。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。