DSWorld：数据科学世界模型，让AI代理告别盲目试错

尽管AI在数据理解和决策方面能力强大，但自主数据科学代理仍严重依赖试错工作流，导致计算成本高昂。为突破这一瓶颈，arXiv上发布的新研究提出了“数据科学世界模型”概念，该模型通过预测当前工作流状态与候选操作下的环境状态转移，模拟数据科学执行环境。论文进一步介绍了DSWorld框架，它结合结构化状态构建、成本感知路由、轻量级实时执行以及基于大语言模型的昂贵操作模拟器。为支持训练，团队构建了包含8000条轨迹的数据集，并引入“反思性世界模型优化”策略，通过错误感知的强化学习提升转移预测准确性。实验显示，DSWorld将基于强化学习的代理训练加速约14倍，搜索推理加速3至6倍，同时保持竞争力；在转移预测任务上，其表现比最强LLM基线高出35.6%。代码已开源。