DataPraxis to nowy framework do syntezy zadań analitycznych dla agentów AI, który wykorzystuje sprawdzaną ewolucję workspace'u do generowania wymagających danych treningowych. Zamiast generować zadania bezpośrednio z surowych danych, system progresywnie wzbogaca przestrzeń pracy o zweryfikowane wyniki i artefakty, a następnie dziedziczy i łączy te workspace'e, aby odkrywać głębsze pytania analityczne.
Ramework opiera się na kluczowej obserwacji: profesjonalne prace analityczne wymagają nie tylko przeprowadzenia obliczeń, ale także iteracyjnego śledztwa i wiarygodnych dowodów. Tradycyjne podejścia do tworzenia zbiorów danych często pomijają te głębsze pytania, które pojawiają się w trakcie analizy. DataPraxis rozwiązuje ten problem przez weryfikację wyników analitycznych zarówno podczas ewolucji workspace'u, jak i po montażu zadania, co zapewnia wysoką jakość treningu.
Na bazie tego frameworka zespół stworzył DataPraxis-5K - dataset zawierający 5 tysięcy zweryfikowanych trajektorii analitycznych obejmujących różnorodne domeny i formaty wyjściowe. Modele wytrenowane na tym zbiorze danych (DataPraxis-27B i DataPraxis-35B-A3B) osiągają imponujące wyniki: 55.11 na benchmarku DABStep i 51.9 na JobBench, dorównując lub przewyższając modele frontier takie jak GLM-5.2. Dataset został udostępniony na platformie HuggingFace, otwierając drogę do dalszych badań nad agentami analitycznymi.