🤖 machine learning

Mint-Agent: Introducing Finance-Native Agentic Foundation Models

本文介绍了 Mint-Agent，这是一个金融原生智能体基础模型家族，它构建于专门的数据引擎、交互框架以及先进的训练流水线之上，在复杂的、可审计的金融任务中实现了最先进的可靠性与可执行性。

原作者： Agent Team, B. Zhang, Yaze Geng, Lei Tang, Yaoyang Yi, Zonghan Wu, Yifan Hu, Kun Wang, Qingsong Wen, Yilei Shao

发布于 2026-08-18

📖 1 分钟阅读☕ 轻松阅读

原作者： Agent Team, B. Zhang, Yaze Geng, Lei Tang, Yaoyang Yi, Zonghan Wu, Yifan Hu, Kun Wang, Qingsong Wen, Yilei Shao

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在金融领域，一个正确的答案很少仅仅是一个数字或一个简单的实事。它是通过一系列严谨的链式反应得出的：寻找正确的文档、确定正确的时间周期、比较不同来源的数值，并进行必须经得起推敲的计算。当人类分析师在这一过程中出错时，他们通常可以追溯步骤以找到逻辑断裂之处。但当人工智能系统尝试执行同样任务时，它往往会产生一个听起来颇具说服力的答案，而这个答案却建立在一个隐藏的错误、对表格的误读，或是一个虽然相关但不具权威性的来源之上。由于缺乏从原始证据到最终结论的清晰、可追溯路径，结果便无法被信任或修正。这种在自信的回答与可验证的真相之间的差距，正是研究人员试图解决的核心挑战，即如何教导机器充当独立的金融调查员。

一组研究人员提出了一种应对此问题的新方法，他们将该系统称为 Mint-Agent。该系统并非仅仅训练计算机去记忆金融事实或猜测正确答案，而是将其设计为一个将每一个结论都视为必须由可追溯证据支撑的“主张”的系统。该系统基于三个主要原则运行：它通过学习现实世界的金融文档来理解行业特定的规则；它使用一个专门的环境，该环境会对其执行的每一次搜索和计算保留永久且可审计的记录；它通过一种过程进行学习，这种过程不仅奖励最终答案，还奖励通往答案的整个过程的正确性。其成果是一系列人工智能模型，它们能够进行长时间、复杂的金融研究，同时保持清晰的证据链，以证明它们是如何得出结论的。

研究人员构建该系统的方法是，首先建立了一个庞大的金融任务库，这些任务源自真实的各类公司报告、市场数据和会计记录。他们将这些任务分为两类。第一类涉及原子技能，例如从表格中提取特定数字或进行标准计算，其证据已然存在。第二类涉及长程执行，即系统必须自行寻找证据，通常需要在较长时间内搜索多个文档，以拼凑出一个复杂的答案。为了处理第二类任务，他们创建了一个名为 MintHarness 的数字环境。该环境作为一个安全的协作空间，AI 可以在其中使用工具、搜索信息并进行计算。至关重要的是，该环境为所采取的每一步行动、查看的每一份文档以及计算的每一个数字都保留了一份永久账本。这份账本确保了即使 AI 遗忘了一个细节，其寻找答案的过程记录依然完好无损，并可供人类审查。

为了教导 AI 如何有效地使用该环境，研究人员采用了将金融推理能力与管理长期研究项目的能力相分离的训练方法。他们首先训练了一个版本的模型成为纯粹金融推理专家，专注于在数据已摆在面前的情况下确保数学和逻辑的正确性。他们又训练了第二个版本的模型成为执行专家，专注于如何搜索、何时停止以及如何在多个步骤中组织信息。最后，他们将这两个专家合并为一个统一的系统。这个组合模型有两个尺寸，并针对广泛的专业金融基准进行了测试。名为 Mint-Ag 的较大模型在金融推理测试中获得了 98.33 分，超越了数个领先的商业系统。在需要复杂多步研究的测试中，它也取得了最高分，在一个主要基准上达到 76.00 分，并在一个更新、更难的版本上达到了 60.49 分。规模更小、更为紧凑的 Mint-Cu 模型同样表现出色，在搜索密集型任务中得分 69.86，证明了即使在较小的系统中也能保留强大的金融研究能力。

这些结果之所以意义重大，不仅在于高分，还在于其表现的本质。研究人员发现，他们的模型不仅仅是在生成答案，它们是在生成可以被审计的答案。在一个详细的案例中，系统成功追踪了一家半导体公司的预测，整个过程经历了三十七个调查步骤。在此期间，它遇到了受阻的文档、错误的时间周期和冲突的数据。由于系统维持着一份持久的发现记录，它能够舍弃死胡同，纠正自身的错误，并仅使用其获取的有效证据重新计算最终数值。在另一个涉及企业收购的案例中，系统在找到确凿的法律文件后才锁定最终价格，从而忽略了早期模糊的来源。这种区分“线索”与“事实”，并保持两者差异清晰记录的能力，正是让该系统值得信赖的原因。

研究人员认为，对于人工智能要在金融等高风险领域发挥作用，它必须超越仅仅生成看起来正确的文本。一个值得信赖的智能体必须能够展示其推导过程，尊重所使用数据的时效边界，并愿意在证据不支持其结论时修正结论。通过构建一个将数据构建、执行和学习都与单一的可验证证据标准相联系的系统，Mint-Agent 团队已经证明，创造出既有能力又具问责性的金融智能是可能的。研究结果表明，金融领域可靠 AI 的未来不在于让模型变得更大或更快，而在于通过工程设计，使其在做出每一项决策时都能留下清晰、可测试的痕迹。

技术摘要：Mint-Agent

问题陈述

金融研究为自主智能体带来了独特的挑战：正确的答案很少是一个单一的事实，而是一个源自证据链、精确算术以及严格遵守时间与单位约束的结论。现有的智能体经常失败，因为它们破坏了这一链条；它们可能会引用相关但不具权威性的来源，误解报告周期，或在无形中混淆单位。在金融领域，此类错误不仅是准确性问题，更会导致结果变得不可信且无法修复，因为缺乏从来源到计算再到结论的可追溯路径。

识别出的核心问题是，当前的智能体往往学习的是金融分析的“表层形式”，而非其底层的学科规范。如果任务缺乏溯源性、执行过程不保留状态，或者训练仅奖励最终文本，模型就无法发展出实现可靠金融智能所必需的“可恢复证据契约”（recoverable evidence contract）。目标是构建一个将领域专业知识、长程执行能力与可审计性统一起来的流水线。

方法论

Mint-Agent 通过构建在三个互补支柱——数据（Data）、**控制台（Harness）和算法（Algorithm）**之上的全栈框架来解决这些挑战。

1. 数据引擎

数据引擎从真实世界的金融来源（EDGAR, XBRL, FRED, 交易所记录）构建两种截然不同的任务流，以训练不同的能力：

原子化金融能力 ( $D_{atom}$ )：这些是证据已存在的受限操作。任务分为五类能力：知识、提取、计算、分析和验证。通过采样原始来源、提取带有溯源链接的事实，并生成推导过程完全受支持、可重演且无歧义的问题来合成任务。
长程智能体执行 ( $D_{long}$ )：这些任务提供研究目标，但隐去支持性上下文。引擎构建了一个隐藏的“证据图” ( $G_y$ )，其中包含正确的推导路径和来源包。智能体必须通过交互来发现并组合这些证据。任务经过审计，以确保答案具有唯一性、溯源具有局部性，且隐藏路径不会在查询中暴露。

2. MintHarness

MintHarness 是一个以证据为先的执行环境，旨在支持持久状态和可审计轨迹。

有状态执行：它将任务规范化为状态化循环，其中智能体提出动作，由控制台验证并执行工具调用。
证据账本：一个持久的、类型化的记录，包含所有观测结果，包括来源定位器、金融范围和获取元数据。这实现了持久执行状态与展示给模型的受限上下文的分离。
工作记忆：一个紧凑的语义状态，保留当前的计划、已确认的结论和未解决的问题，并通过从账本和轨迹中进行刷新。
上下文管理：控制台将相关的历史记录、账本条目和目标打包进模型的上下文窗口，在压缩旧交互的同时，通过人工制品引用保持对原始文档的可访问性。

3. 算法与训练流水线

该训练方案开发了分别负责推理和执行的专家模型，随后将其统一：

金融推理专家 ( $\pi_R$ )：在 $D_{atom}$ 上使用监督微调（SFT）及后续的可验证奖励强化学习（RLVR）进行训练。验证器确保推导过程植根于提供的证据，并在数学上保持一致。
智能体执行专家 ( $\pi_A$ )：通过三个阶段在 $D_{long}$ $D_{l o n g}$ 上进行训练：
1. SFT：建立稳定的交互行为。
2. 关键步骤在策略蒸馏 (OPD)：识别失败轨迹中的关键转折点，在这些点上，不同的动作可以恢复有效路径。教师模型对这些特定状态进行评分，从而在具有后果性的决策上提供密集监督。
3. RLVR：针对隐藏答案图优化完整轨迹，仅奖励那些证据和执行过程均可被完全审计的路径。
专家集成：使用 TIES（任务向量干扰消除与符号选择）合并这两个专家，以解决参数冲突。随后进行 多教师在策略蒸馏 (MOPD)，根据任务来源将学生模型路由至相应的教师模型（对于原子任务路由至 $\pi_R$ ，对于长程任务路由至 $\pi_A$ ），以确保最小化行为干扰并保留专业技能。

核心贡献

全栈金融原生智能：一个统一的框架，将溯源驱动的任务构建、持久状态化执行以及可验证的策略学习连接在一起，统一于单一的可恢复证据契约之下。
旗舰模型：发布了 Mint-Cu (9B) 和 Mint-Ag (27B)，这两款紧凑且强大的智能体模型结合了可靠的领域推理能力与长程执行能力。
全面的实证验证：在七个专业金融基准测试中进行了评估，证明了其在推理、执行和成本效率方面的领先性能。

结果

Mint-Agent 在涵盖原子推理（BizFinBench, FinanceBench, RFC-Bench）和智能体执行（FinanceAgentBench v1.1/v2, FinSearchComp T2/T3）的七个基准测试中进行了评估。

可靠性：Mint-Ag 在 RFC-Bench 上达到了 98.33%，超过了 GPT-5.6-Sol (94.67%) 和 Claude Opus 4.8 (95.33%)。它也在 FinanceBench (91.33%) 和 BizFinBench (55.71%) 上处于领先地位。
可执行性：Mint-Cu 在 FinSearchComp T2 上达到了 69.86%，显著超越了 Agents-A1-35B 和 Nex-N2-mini。Mint-Ag 在 FinanceAgentBench v1.1 上达到 76.00%，在 v2 上达到 60.49%，超越了领先的通用模型和智能体系统。
成本效率：两款模型都位于成本-性能权衡的经验帕累托前沿。Mint-Cu 锚定了低成本区间（例如，在 v1.1 上每个任务成本为 $0.016，准确率为 68%），而 Mint-Ag 则以极低的成本提供高性能（例如，在 v2 上比 GPT-5.6-Sol 的成本降低了 77.8%，且准确率更高）。
失败分析：错误分析表明，虽然 Mint-Cu 擅长执行，但其在更难的基准测试中的主要失败模式转向了证据提取，这表明下一个前沿是如何改进从检索到的来源中选择和编码金融相关事实。

意义与主张

论文声称，Mint-Agent 通过将可审计性视为数据构建、智能体执行和策略学习的共同底层架构，从而确立了通往可靠金融智能的路径。

作者认为，一个胜任的金融智能体必须围绕一个共同的契约进行优化：每一个答案都必须是一个由可恢复证据和可重演计算支撑的断言。通过将整个流水线植根于这一契约，Mint-Agent 证明了金融原生智能体模型可以共同构建领域可靠性、扩展执行能力和可审计性。结果表明，即使在 9B 规模下（Mint-Cu），也能实现强大的金融研究性能；并且，将持久感知（证据账本）与主动操纵（工作记忆）以及决策（推理专家）与执行控制（执行专家）分离，可以构建一种结构化的认知架构，从而保护推理免受上下文噪声的影响。

最终，论文指出，在高风险研究领域，只有当智能能够留下允许结论被追踪、测试和修复的痕迹时，其大规模应用才具有价值。Mint-Agent 被呈现为迈向这一基础的重要一步。