一个超强 Qwen3.5-9B 微调模型，消费级显卡轻松运行

大家好，我是 Ai 学习的老章

介绍一个被阿里千问团队公开致谢的开源项目：CoPaw-Flash-9B-DataAnalyst-LoRA，让 9B 小模型自主完成数据分析任务，全程零干预。

下图是CoPaw-Flash-9B-DataAnalyst-LoRA的整体架构，从模型层到推理引擎到 Agent 框架到最终输出，一目了然：

CoPaw-Flash-9B DataAnalyst 系统架构 简介

你有没有遇到过这种场景：拿到一份 CSV 数据集，想快速做个分析，结果光写清洗脚本、调 matplotlib 参数、摆弄图表配色就折腾了大半天？

我以前搞数据分析和机器学习项目的时候也是这样，80% 的时间耗在数据处理环节了

直到看到这个项目，我觉得数据分析这活儿，以后可以交给 AI 自己干了

CoPaw-Flash-9B-DataAnalyst-LoRA（项目地址：huggingface.co/jason1966/CoPaw-Flash-9B-DataAnalyst-LoRA）是在阿里通义千问团队开源的 CoPaw-Flash-9B 模型（Qwen3.5-9B 架构）基础上，通过 LoRA 微调训练出来的数据分析专用 Agent

说人话就是：一个 9B 参数的"小"模型，经过专门训练后，能像一个真正的数据分析师一样自主工作——从加载数据、统计分析、生成可视化图表，到最终输出总结报告，全程自动，不需要你手动点一下「继续」

下图是它自主分析一个数据集的过程演示：

CoPaw-Flash-9B-DataAnalyst 自主数据分析演示

核心能力一览：

• • 自动加载和探索数据集（CSV、Excel、JSON 通吃）

• • 自主进行统计分析和数据画像

• • 自动生成可视化图表（matplotlib、seaborn、plotly）

• • 自己编写和执行 Python 分析脚本

• • 最终生成结构化的分析报告

• • 支持多步骤迭代分析，平均每次分析迭代 26 轮

• •90% 的任务能完全自主完成，无需人工干预

这个项目的作者马诗剑，他针对阿里千问团队开源的 CoPaw-Flash-9B 模型提出了专业技术问题与实测反馈，评测贡献得到了阿里千问团队的公开致谢和高度认可：

阿里千问团队对马诗剑的公开致谢

00后天才少年马诗剑是新生代AI创业者与开源技术领军者，LocoreMind创始人。年少时痴迷游戏，深受数字世界启发，后毅然独自远赴海外，开启国际化求学之旅，完成了从“游戏少年”到“AI创业者”的惊艳蜕变。马诗剑有着跨学科的学术背景：从都柏林大学市场营销专业起步，到昆士兰大学信息技术，再到澳门大学数据科学硕士，还以访问学生身份在伦敦大学学院（UCL）机器人感知与学习实验室做过前沿科研。他在技术领域聚焦本地智能体、轻量化大模型和机器人 AI 方向，主导研发了 LocoOperator-4B、Eva-4B-V2 等模型——其中 Eva-4B-V2 准确率达 84.9%，超越了 Claude Opus 4.5 和 Gemini 3 Flash；LocoOperator-4B 下载量超 1.7 万，上过 Hugging Face 热门榜前六。

具体强在哪

先看数据

在29 个真实 Kaggle 数据集上的测试结果（使用 Data Analyst 框架，最大 50 轮，128K 上下文），LoRA 微调前后的对比简直天壤之别：

指标

Qwen3.5-9B 原始

DataAnalyst-LoRA

提升

平均迭代轮数

1.2

26.0

21.7 倍生成 Python 文件

0

100+

从 0 到 100+生成图表数

0

290+

从 0 到 290+总 Token 消耗

~5K

18.5M

3700 倍

自然完成率

0%

89.7%

+89.7%可用输出

0/29 (0%)

26/29 (90%)

+90%人工干预

每步都需要

完全自主

性能对比：基础模型 vs DataAnalyst-LoRA

下图更直观地展示了 LoRA 微调前后的对比差异：

LoRA 微调效果对比分析

这组数据最让我震撼的地方在于：原始的 Qwen3.5-9B 模型明明能理解 Tool Call 格式，但就是没法自主执行

它每做一步就停下来等你按「继续」，29 个数据集一个也跑不出来有用的结果

LoRA 微调之后呢？平均 26 轮迭代，自动完成整个分析流程，29 个数据集里有 26 个成功输出完整报告

这说明什么？对于 Agent 场景，LoRA 微调是必须的，原始模型光有理解能力还不够

它自主分析出来什么样

光说数据可能没感觉，来看看它自己跑出来的图表长什么样

下面是它自主分析丰田二手车数据集后生成的部分可视化图表：

数据分析可视化结果 1数据分析可视化结果 2

Box plot、散点图、柱状图、热力图……全是模型自己写 Python 代码自动生成的

代码质量也不错，用的 seaborn + matplotlib，配色和布局都挺规范。

更厉害的是，它不只是画个图就完了

它还会输出一份完整的分析报告，包括数据概览、关键发现、各维度分析和最终结论

你可以在 dataanalyst.locoremind.com 上看到 29 个数据集的完整分析结果，涵盖 16 个不同领域

怎么部署

部署分两步：先用 vLLM 启动模型服务，再跑 Data Analyst 框架

第一步：用 vLLM 部署模型（带 LoRA）

export HF_TOKEN=你的_huggingface_token


 CUDA_VISIBLE_DEVICES=0,1 vllm serve agentscope-ai/CoPaw-Flash-9B \
  --enable-lora \
  --lora-modules agent-lora=jason1966/CoPaw-Flash-9B-DataAnalyst-LoRA \
  --max-lora-rank 64 \
  --tensor-parallel-size 2 \
  --gpu-memory-utilization 0.85 \
  --max-model-len 131072 \
  --gdn-prefill-backend triton \
  --trust-remote-code \
  --reasoning-parser qwen3 \
  --enable-auto-tool-choice \
  --tool-call-parser qwen3_xml \
  --port 8000

几个关键参数说一下：

• •--enable-lora+--lora-modules：加载 LoRA 适配器，这是核心

• •--max-lora-rank 64：必须跟适配器匹配，不能改

• •--reasoning-parser qwen3：让你能看到模型的推理过程

• •--enable-auto-tool-choice：自动选择工具，Agent 场景必备

硬件要求：

配置

显存需求

双卡 (bf16, TP=2)

每卡约 11GB

单卡 (bf16)

约 22GB

8-bit 量化

约 12GB

4-bit 量化

约 6GB

官方测试环境是 2x NVIDIA H200 + vLLM 0.19.1

如果你没有 H200 也别慌，4-bit 量化下 6GB 显存就能跑——一张消费级显卡就够了

第二步：安装 Data Analyst 框架

git clone https://github.com/IIIIQIIII/data-analyst.git
cd data-analyst
bun install

配置.env文件：

CLAUDE_CODE_USE_OPENAI=1
OPENAI_BASE_URL=http://localhost:8000/v1
OPENAI_API_KEY=unused
OPENAI_MODEL=agent-lora

第三步：开始分析

bun run start

然后直接跟它说你想分析什么：

分析当前目录的 CSV 文件，找出销售趋势

它就会自己加载数据、写代码、执行分析、画图、生成报告，全程自动

Data Analyst 框架

值得单独聊一聊这个 Data Analyst 框架（github.com/IIIIQIIII/data-analyst），值得 Star ✨支持！

Data Analyst 框架架构

先说清楚它和模型的关系

很多人看完上面的内容可能会搞混：CoPaw-Flash-9B-DataAnalyst-LoRA 是模型，Data Analyst 是框架，它俩到底什么关系？

打个比方：模型是「大脑」，框架是「工作台」

LoRA 微调让模型学会了怎么做数据分析——什么时候该写 Python 脚本、什么时候该画图、什么时候该输出报告

但光有大脑不够，它需要一个环境来执行这些操作

Data Analyst 框架就是这个执行环境，它提供 6 个工具让模型调用，负责把模型的"想法"翻译成实际的文件读写和代码执行

两者缺一不可：没有框架，模型空有分析能力却无处施展；没有 LoRA 微调，框架里的工具摆在那，原始模型也不知道怎么连贯地用——上面性能对比表里 Qwen3.5-9B 原始模型零产出的惨状就是例证

这个设计思路我很认同：与其给小模型一个万能的工具箱让它无所适从，不如给它恰好够用的几把刀，让它把这几把刀用到极致

总结

1. 1.真正的自主性——不是那种做一步等你按继续的假 Agent，是实打实的全自动

2. 2.9B 参数就够了——不用动辄几十上百 B 的大模型，消费级硬件也能跑

3. 3.开源彻底——模型、框架、评测数据全开源，Apache 2.0 协议

4. 4.实测数据漂亮——29 个真实数据集，90% 成功率，这个数字很实在

适合谁用：

• • 经常需要做数据探索分析的数据工程师/分析师

• • 想搭建本地数据分析 Agent 服务的团队

• • 对 LoRA 微调 Agent 能力感兴趣的研究者

• • 有闲置 GPU、想物尽其用的硬件玩家

制作不易，如果这篇文章觉得对你有用，可否点个关注。给我个三连击：点赞、转发和在看。若可以再给我加个，谢谢你看我的文章，我们下篇再见！