国产数据库在国际数据智能体评测里拿了第一。OceanBase 团队提交的方案登顶。准确率 90.62%。这也是该榜单首个突破 90% 的参评方案。
OceanBase 登顶国际数据智能体榜单。它是首个准确率突破 90% 的参评方案。
这个榜单简称 DAB。全名直译过来就是数据智能体基准评测。
对做AI工具和数据平台的团队来说，更值得看的是背后的组合。方案基于国产大模型 GLM-5.2 构建。成绩超过了一批用海外模型搭的同类方案。
榜单由两家机构推出。一边是加州大学伯克利分校的数据实验室。另一边是数据库工具公司 Hasura。
评测覆盖的领域很杂。互联网与本地生活，金融股票，生物医学都在内。知识产权，企业运营，政务与公共管理，媒体文娱也算。
数据库品类也不止一种。关系型库，文档型库，还有轻量嵌入式库都要面对。
它和传统的文本转 SQL 不是一回事。后者主要看模型能不能把自然语言翻成查询语句。这个榜单关心的是另一件事。智能体进到真实的数据环境里，能不能从复杂分散、形态各异的数据中找到正确答案。
一个完整任务里，数据智能体要做的事不少。理解数据，选择数据，规划分析路径，完成查询计算，最后验证结果。它考验的是从理解数据到拿到答案的完整能力。
从手写查询语句到让 AI 自己规划分析路径，AI编程的边界又往外挪了一格。企业要用好这套东西，光换个模型不够。
这类能力往后如果能拆成可复用的技能插件，企业侧的落地会更快。
所以这个榜单考的不只是底层模型。真正被掂量的是模型、智能体和数据系统三者的综合能力。模型负责理解和推理。智能体负责规划和执行。数据系统要支撑数据发现，关联计算和结果校验。三者能不能协同，直接决定 AI 能不能把企业数据真正用起来。
一套闭环怎么跑
OceanBase 的参评方案就围着这条能力搭。系统先用 DataLens 构建数据画像，识别字段和数据之间的关系。再按任务复杂度规划执行路径，完成数据选择，筛选，关联和计算。
拿到结果后还有一步。通过证据追踪和答案校验，回看计算过程站不站得住。发现问题就调整方案，重新验证。数据理解，规划执行，验证修复，三段连成一个闭环。
这也解释了 90.62% 的含金量。它证明的不只是国产模型能完成数据查询。国产数据库和国产模型结合起来，能一起撑住复杂的数据分析任务。
数据库的角色正在变
对这家公司来说，这是它 AI 能力的一次新验证。
过去数据库管的是存储，查询和处理数据。现在智能体成了新的数据使用者。要解决的问题跟着变了。数据不只要被取出来，还要被理解，被关联，被分析，还要验证结果可不可靠。
数据底座的定位因此换了方向。以前是把数据交给模型。现在是帮模型把数据用起来。
这也是它从数据库往 AI 数据平台演进的方向。DataPilot 就是面向数据分析场景的产品线。这次提交用的是内部代号 Scout 的方案，相关技术后面会沉淀进去。
对企业数据产品的团队来说，看点不在榜单本身。能不能把这几段能力装进产品，才是关键。数据理解，任务规划，分析执行和结果验证，一段都不能少。
从数据库到 AI 数据平台，变的不只是产品形态，还有数据库和模型的关系。以前数据库负责把数据存好，算好，取出来。现在它还要帮模型理解数据，组织数据，并完成分析。
这次登顶是一次验证。数据库正在从数据底座，走向数据工作引擎。
