arXiv 论文提出让数据智能体在推理中主动画图的方法
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，非原文转载图表能否进入推理循环
论文关注的问题是：基于 ReAct 式循环的数据智能体已经能对结构化数据执行复杂分析流程，但中间推理几乎全部以文本进行；人类分析师则在数字、表格与图表之间切换，借助视觉证据发现文本摘要容易遗漏的趋势与异常。作者据此提出，图表是否可以成为智能体推理循环内部的认知动作，以及如何教会智能体使用图表。为回答第一个问题，他们构建了包含 200 个受控任务的测试集，在四种匹配的接口条件下观察智能体的行为。
能读不等于会用
实验揭示出一个持续存在的落差：智能体能够读取的内容与它们实际选择使用的内容并不一致。智能体从自己生成的图表中获得的表现，与从数值输出中获得的表现相当，但仅仅开放绘图能力，并不能转化为稳定的图表使用行为。按任务类型切分后可以看到分工差异：图表在时间、模式与异常推理上占优，文本则在精确读取与条件验证上占优。这说明问题不在于智能体读不懂图，而在于它们不会在合适的时机主动选择图表。
用经验蒸馏教何时画图
针对上述落差，作者提出一种不修改模型参数的方法，从条件化轨迹采样中蒸馏两类经验。第一类记录如何选择与验证分析操作，第二类记录何时调用文本、图表或两者兼用。训练流程中，轨迹评判器对结果打分并标注中间步骤，验证门只接纳那些能提升留出集表现的经验，从而过滤掉无效或有害的经验。这一设计把「何时画图」从工具接口问题转化为可学习、可筛选的经验问题。
跨主干与基准的效果
在三个留出基准与四个 LLM 主干上，该方法相对匹配基线提升了分析准确率与视觉证据质量；原本从不画图的主干模型也开始使用图表，而整个过程没有触碰模型参数。论文共 23 页，含 5 幅图与 9 张表，以预印本形式发布在 arXiv 的 cs.AI 分类下。
为什么值得看
它把「何时该画图」变成可训练的经验，而非仅提供工具接口，对做数据分析智能体的人有直接参考价值。
信源1 家
关键事实
相关 · 论文
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。