Mint-Agent: Introducing Finance-Native Agentic Foundation Models

一句话概括

Mint-Agent 是一族金融原生（finance-native）智能体基础模型，靠数据、执行框架与训练算法三大支柱协同设计。它在专业金融基准上兼顾可靠性与长程执行性，并保持推理可审计。

速览

• 任务与方法：面向金融智能体，从数据引擎、MintHarness 执行框架、训练算法三方面构建，训练流程为 SFT、关键步骤 OPD、RLVR，再用模型合并与多教师同策略蒸馏统一。
• 关键数字：Mint-Ag 在 RFC-Bench 达 98.33%；Mint-Cu 在 FinSearchComp T2 达 69.86%；Mint-Ag 在 FinanceAgentBench v1.1 与 v2 分别为 76.00% 和 60.49%。
• 模型规格：两个旗舰模型为 Mint-Cu（9B）与 Mint-Ag（27B）。
• 数据与开源：数据来自真实金融来源，由数据引擎构造任务；开源情况摘要未给出。

问题背景

金融 AI 长期面对一个两难。

• 一边是知识：模型要像资深分析师那样读懂财报、市场动态与监管规则。
• 另一边是执行：金融任务常是多步骤、长周期的研究，例如追踪公司数年供应链变化，或审计衍生品定价的假设链条。

通用大模型在知识问答上表现优异，但在执行层面有短板：长程任务中易丢上下文、产生幻觉，推理过程也缺乏可追溯性。传统金融专用模型则多针对单一任务，如情感分析或实体识别，难以胜任开放式智能体工作流。

论文作者认为，金融智能体需要两种核心能力：可靠性（reliability，基于扎实证据执行精确操作）与执行性（executability，维持长程研究并保证结论可审计）。这两者并非天然共存，需要从模型架构、数据构造到训练策略做系统性设计。

方法要点

Mint-Agent 的构建围绕三大支柱。

1. 数据引擎（Data Engine） 从真实金融数据源出发，自动构造两类任务：一是针对原子金融能力的干净、专业化任务，如财务计算、条款抽取、风险识别；二是长程智能体执行任务，模拟真实研究流程，要求模型在多步交互中完成目标。

2. MintHarness 执行框架 这是论文的关键基础设施组件。它让模型与开放式环境稳定交互，并在整个研究轨迹中维护可审计的证据链。模型每一步决策的依据、引用的数据源、中间计算结果都会被记录，最终结论可回溯验证。这针对的是金融场景中的黑箱推理信任问题。

3. 训练算法组合 训练分几个阶段：先做监督微调（SFT）建立基础能力；再做关键步骤 OPD 强化推理中的关键决策点；最后用基于可验证奖励的强化学习（RLVR）进一步优化。论文分别训练了金融推理专家与智能体执行专家两个专用模型，再通过模型合并和多教师同策略蒸馏，统一成紧凑的通用金融智能体。

最终产出两个旗舰模型：Mint-Cu（9B 参数）与 Mint-Ag（27B 参数），分别侧重执行效率与综合能力。

关键结论

• 可靠性领先：Mint-Ag 在 RFC-Bench 上达 98.33%，超过 GPT-5.6-Sol 和 Claude-Opus-4.8 分别 3.66 和 3.00 个百分点。
• 执行性优势：Mint-Cu 在 FinSearchComp T2 上取得 69.86%，比 Agents-A1-35B 高 22.83 分，比 Nex-N2-mini 高 12.78 分。
• 旗舰综合表现：Mint-Ag 在 FinanceAgentBench v1.1 和 v2 上分别为 76.00% 和 60.49%。
• 小而强的可行性：9B 的 Mint-Cu 在特定执行任务上超过 35B 模型，说明架构与训练策略比单纯堆参数更关键。

摘要未给出：数据构造细节、OPD 的完整定义、模型合并的具体方法、消融实验数据。

读后思考

这篇论文最值得关注的不是某个数字，而是它提出的金融原生设计理念：不是把通用模型微调成金融版，而是从数据、交互框架到训练目标都围绕金融智能体的真实需求来构建。

适用场景较清晰：

• 投研分析：需要多步骤检索、交叉验证与结论溯源，MintHarness 的证据链机制能降低 AI 胡说八道的风险。
• 合规与审计：每步决策有据可查，适合监管要求严格的业务。
• 量化策略研究：长程数据探索与假设验证可自动化，过程可回放。
• 中小机构部署：9B 模型已具备可用性，对算力要求相对友好。

对金融科技从业者，启示是：可审计性不是附加功能，而是金融 AI 的核心架构需求。MintHarness 的思路值得借鉴——即使不用 Mint-Agent 本身，也可在自建智能体系统中引入类似的证据追踪机制。

局限与开放问题

结果亮眼，但有几个问题值得追问，摘要未给出明确答案。

1. 基准的泛化性：RFC-Bench、FinSearchComp 等是否覆盖真实业务中最棘手的场景，如极端市场条件下的决策、模糊信息下的推理、对抗性输入（如故意误导的财报）？
2. 长程执行的天花板：FinanceAgentBench v2 上 60.49% 意味着仍有近 40% 任务失败。失败源于推理错误、工具调用失误，还是证据链断裂？摘要未提供错误分析。
3. 模型合并的代价：通过合并与蒸馏得到统一模型，是否会牺牲某些专项能力？9B 与 27B 之间是否存在明显的性能-效率权衡曲线？
4. 数据引擎的可持续性：金融数据时效性强、获取成本高。数据引擎能否持续产出高质量任务，如何避免训练数据中的历史偏差（如牛市样本过多）？
5. 可审计性的边界：MintHarness 记录证据链，但可审计不等于正确。若模型第一步就引用错误数据，后续链条再完整也是错的。如何保证证据本身的可靠性，仍是开放问题。

总体而言，Mint-Agent 为金融智能体提供了一个值得参考的系统性方案，但距离可信赖的金融 AI，仍有很长的路要走。