# DataMaster：让模型自己搜数据、洗数据、拼数据，MLE-Bench Lite 奖牌率从 35.91% 拉到 68.18%

> 原标题：DataMaster：当AI开始成为自己的数据工程师

- 来源：机器之心 · 公众号
- 发布时间：2026-06-02T05:30:00.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/33061
- 原文：https://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2651036359&idx=3&sn=4a37dcabcf03195ad573d1aa43e29555

## 摘要

这篇论文提出了 DataMaster，一个让大模型自己当数据工程师的流程。它不碰模型结构和训练算法，只做三件事：自动搜索外部数据、清洗脏数据、把多个数据集拼成一张表。在 MLE-Bench Lite 这个机器学习竞赛基准上，DataMaster 把奖牌率从 35.91% 提到了 68.18%，几乎翻倍。正文没披露具体用了哪些模型、单次任务耗时和额外算力...

## 推荐理由

DataMaster 做的事很直接：模型和训练代码都不动，只让系统自己去搜、洗、拼数据，结果 MLE-Bench Lite 奖牌率从 35.91% 拉到 68.18%，接近翻倍。我会先打个折——这还只是单篇研究，没有生产环境验证，benchmark 本身也不是完整 MLE-Bench，所以别急着当银弹。但“数据工程自动化”这个方向确实戳中很多团队的日常痛点，加上数字够具体，给 78 分 featured 合理。

## 锐评

这篇论文的思路很直接：不碰模型结构和训练算法，只优化数据准备环节。DataMaster 做了三件事——自动搜索外部数据、清洗脏数据、把多个数据集拼成一张表。在 MLE-Bench Lite 这个机器学习竞赛基准上，奖牌率从 35.91% 提到了 68.18%，几乎翻倍，说明数据工程这块的自动化确实能带来明显收益。

不过正文有几个关键信息没给：具体用了哪些模型、单次任务耗时、额外算力成本。这些数字直接决定这套流程能不能在实际项目里跑起来。如果每次数据准备都要烧很多 token 或者等很久，那性价比就要重新算。另外，MLE-Bench Lite 本身是竞赛场景，任务相对标准化，真实业务里的脏数据可能更乱、更没规律，DataMaster 能不能扛住还不好说。

我会先打个折：方向对，但缺成本数据和更脏场景的验证，暂时别把它当通用方案。