OceanBase登顶国际Data Agent榜单，准确率首破90%
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载榜首方案与成绩
OceanBase团队提交的参评方案内部代号为Scout，在DAB榜单上位列第一。该方案的准确率定格在90.62%，成为参评方案中第一个把这一指标推过90%的方案。支撑这一成绩的技术底座由两部分组成：国产数据库OceanBase与国产大模型GLM-5.2。从对比看，这一组合的得分高于多项以GPT、Claude Opus、Claude Fable等海外模型搭建的方案，说明在DAB所设定的任务形态下，模型与数据系统的搭配方式对最终结果影响明显。对关注数据智能产品的读者而言，这一排名意味着国产数据库与大模型的协同路线在公开评测中拿到了可对照的位置，而相关能力后续将进入OceanBase DataPilot产品，评测中的做法会以产品功能的形式向外提供。
榜单考的是什么
DAB由UC Berkeley EPIC Data Lab与Hasura PromptQL合作推出，其评测范围覆盖互联网与本地生活、金融股票、生物医学等多个领域，涉及的数据库类型包括PostgreSQL、MongoDB、SQLite、DuckDB等。与只把自然语言转成SQL语句的做法不同，DAB要求AI在真实数据环境中真正找到正确答案，完整任务包含理解数据、选择数据、规划路径、查询计算以及验证结果几个环节。这意味着参评系统不能只依赖单点生成能力，而要同时调动模型、Agent与数据系统三方面的协同。也正因任务链条长、数据形态杂，榜单成绩反映的是端到端完成度，而非某一环节的转换准确率，这为观察各类方案的实际可用性提供了一个更接近真实使用的衡量口径。
闭环如何运转
Scout方案的执行逻辑可以拆成三段相互衔接的动作。第一步是数据理解，系统借助DataLens构建数据画像，识别字段含义以及字段之间的数据关系，为后续判断打底。第二步是规划与执行，系统依据任务的复杂程度安排执行路径，在此基础上完成数据选择、筛选、关联和计算，把分散在不同数据源中的信息组织成可计算的对象。第三步是校验与修复，结果会经过证据追踪和答案校验，一旦发现问题便调整做法并重新验证。三段动作串起来，形成数据理解、规划执行、验证修复的闭环。这一结构解释了方案为何能在跨领域、多数据库的任务中保持稳定：它把容易出错的环节显式拆开，并给每一环留下回退和重试的空间，而不是把全部压力压在一次性生成上。
从评测到产品
对使用OceanBase DataPilot的读者来说，这次评测的意义在于能力的落地路径已经明确：Scout在榜单上验证过的数据画像、路径规划、证据追踪与答案校验等做法，将融入DataPilot产品之中。适用范围上，DAB的任务横跨互联网与本地生活、金融股票、生物医学等领域，并覆盖PostgreSQL、MongoDB、SQLite、DuckDB等多种数据库，说明方案面向的是多源异构数据并存的场景，而非单一库内的简单查询。限制同样来自任务本身：完整任务要求理解、选择、规划、计算与验证全部走通，任一环节的偏差都会影响最终答案，因此系统的可靠性依赖各环节的配合而非某一项能力突出。读者可以据此判断，这类方案更适合需要跨库取数并核对结果的复杂提问，而不是把自然语言直接映射为一条SQL的轻量需求。
为什么值得看
国产数据库与国产大模型结合在复杂数据分析任务上超越海外顶尖模型方案，验证了“模型+Agent+数据系统”协同路径的可行…
信源1 家
关键事实
相关 · 模型
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。