Mint-Agent: Introducing Finance-Native Agentic Foundation Models
O artigo apresenta o Mint-Agent, uma família de modelos de fundação agentes nativos de finanças construída sobre um motor de dados especializado, um suporte de interação e um pipeline de treinamento avançado que alcança confiabilidade e executabilidade de estado da arte em tarefas financeiras complexas e auditáveis.
Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
No mundo das finanças, uma resposta correta raramente é apenas um número isolado ou um fato simples. Ela é o resultado de uma cadeia cuidadosa de eventos: encontrar o documento certo, identificar o período de tempo correto, comparar valores de diferentes fontes e realizar cálculos que devem resistir ao escrutínio. Quando um analista humano comete um erro nesse processo, ele geralmente consegue refazer seus passos para encontrar onde a lógica falhou. Mas quando um sistema de inteligência artificial tenta a mesma tarefa, ele frequentemente produz uma resposta de aparência plausível que é construída sobre um erro oculto, uma tabela mal interpretada ou uma fonte que era relevante, mas não autoritativa. Sem um caminho claro e rastreável da evidência original até a conclusão final, o resultado não pode ser confiável ou corrigido. Esse hiato entre uma resposta confiante e uma verdade verificável é o desafio central que os pesquisadores estão tentando resolver ao ensinar as máquinas a agir como investigadoras financeiras independentes.
Uma equipe de pesquisadores introduziu uma nova abordagem para este problema com um sistema que chamam de Mint-Agent. Em vez de simplesmente treinar um computador para memorizar fatos financeiros ou para adivinhar a resposta certa, eles construíram um sistema projetado para tratar cada conclusão como uma afirmação que deve ser sustentada por evidências recuperáveis. O sistema opera em três princípios principais: ele aprende com documentos financeiros do mundo real para entender as regras específicas do setor; utiliza um ambiente especializado que mantém um registro permanente e auditável de cada pesquisa e cálculo realizado; e aprende através de um processo que recompensa não apenas a resposta final, mas a correção de toda a jornada percorrida para chegar até lá. O resultado é uma família de modelos de inteligência artificial que podem conduzir pesquisas financeiras longas e complexas enquanto mantêm um rastro claro de evidências que prova como chegaram às suas conclusões.
Os pesquisadores construíram seu sistema primeiro criando uma vasta biblioteca de tarefas financeiras derivadas de relatórios corporativos reais, dados de mercado e registros contábeis. Eles separaram essas tarefas em dois tipos. O primeiro tipo envolve habilidades atômicas, como extrair um número específico de uma tabela ou realizar um cálculo padrão, onde a evidência já está presente. O segundo tipo envolve execução de longo horizonte, onde o sistema deve encontrar a evidência por conta própria, muitas vezes pesquisando através de múltiplos documentos ao longo de um período estendido para reunir uma resposta complexa. Para lidar com o segundo tipo, eles criaram um ambiente digital chamado MintHarness. Este ambiente atua como um espaço de trabalho seguro onde a IA pode interagir com ferramentas, pesquisar informações e realizar cálculos. Crucialmente, este ambiente mantém um livro de registro permanente de cada ação tomada, cada documento visualizado e cada número calculado. Este livro de registro garante que, mesmo que a IA esqueça um detalente, o registro de como ela encontrou a resposta permaneça intacto e possa ser revisado por um humano.
Para ensinar a IA a usar este ambiente de forma eficaz, os pesquisadores empregaram um método de treinamento que separa as habilidades de raciocínio financeiro das habilidades de gerenciar um projeto de pesquisa longo. Primeiro, eles treinaram uma versão do modelo para ser um especialista em raciocínio financeiro puro, focando em acertar a matemática e a lógica quando os dados já estão à sua frente. Treinaram uma segunda versão para ser um especialista em execução, focando em como pesquisar, quando parar e como organizar informações ao longo de muitos passos. Finalmente, fundiram esses dois especialistas em um único sistema unificado. Este modelo combinado, que possui dois tamanhos, foi testado contra uma ampla gama de benchmarks profissionais de finanças. O modelo maior, chamado Mint-Ag, alcançou uma pontuação de 98,33 em um teste de raciocínio financeiro, superando vários sistemas comerciais líderes. Em testes que exigem pesquisa complexa de múltiplos passos, ele também obteve as pontuações mais altas, atingindo 76,00 em um benchmark importante e 60,49 em uma versão mais nova e difícil. O modelo menor, Mint-Cu, que é muito mais compacto, também teve um desempenho excepcional, pontuando 69,86 em uma tarefa de alta intensidade de busca, provando que capacidades fortes de pesquisa financeira podem ser retidas mesmo em um sistema menor.
O que torna esses resultados significativos não é apenas as altas pontuações, mas a natureza do desempenho. Os pesquisadores descobriram que seus modelos não apenas produzem respostas; eles produzem respostas que podem ser auditadas. Em um exemplo detalhado, o sistema rastreou com sucesso uma previsão para uma empresa de semicondutores através de trinta e sete etapas de investigação. Ao longo do caminho, encontrou documentos bloqueados, períodos de tempo incorretos e dados conflitantes. Como o sistema manteve um registro persistente de suas descobertas, ele foi capaz de descartar os becos sem saída, corrigir seus próprios erros e recalcular os números finais usando apenas a evidência válida que havia assegurado. Em outro caso envolvendo uma aquisição corporativa, o sistema esperou para consolidar um preço final somente após encontrar o documento legal definitivo, ignorando fontes anteriores ambíguas. Essa capacidade de distinguir entre um indício e um fato, e de manter um registro claro da diferença, é o que permite que o sistema seja confiável.
Os pesquisadores argumentam que, para a inteligência artificial ser útil em campos de alto risco como as finanças, ela deve ir além de simplesmente gerar textos que pareçam corretos. Um agente confiável deve ser capaz de mostrar seu trabalho, respeitar os limites temporais dos dados que utiliza e estar disposto a revisar sua conclusão se a evidência não a sustentar. Ao construir um sistema onde a construção de dados, a execução e o aprendizado estão todos ligados a um único padrão de evidência verificável, a equipe do Mint-Agent demonstrou que é possível criar inteligência financeira que é não apenas capaz, mas também responsável. As descobertas sugerem que o futuro da IA confiável nas finanças não reside em tornar os modelos maiores ou mais rápidos, mas em projetá-los para deixar um rastro claro e testável de como chegaram a cada decisão.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.