Mint-Agent: Introducing Finance-Native Agentic Foundation Models
作者: Mint-Agent Team, B. Zhang, Yaze Geng, Lei Tang, Yaoyang Yi, Zonghan Wu, Yifan Hu, Kun Wang, Qingsong Wen, Yilei Shao
分类: cs.CL, cs.LG
发布日期: 2026-08-17
💡 一句话要点
提出Mint-Agent以解决金融智能的可靠性与执行性问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 金融智能 代理模型 长时间执行 可审计性 模型蒸馏
📋 核心要点
- 现有金融智能模型在执行复杂任务时缺乏可靠性和可审计性，难以满足实际应用需求。
- Mint-Agent通过构建专门的数据引擎和稳定的交互工具，提升了金融代理的可靠性与执行能力。
- 实验结果显示，Mint-Ag在RFC-Bench上达到98.33%，超越了现有基线模型，Mint-Cu在FinSearchComp T2上也表现优异，显示出显著的性能提升。
📝 摘要（中文）
金融代理不仅需要回忆领域知识，还必须在基于证据的操作中保持可靠性，并在长期研究中保持可审计性。我们提出Mint-Agent，这是一系列围绕这两种金融智能规模设计的金融原生代理模型。Mint-Agent基于数据、工具和算法三大支柱构建，数据引擎从真实金融来源构建干净、专业的任务，MintHarness则支持与开放环境的稳定交互并维护可审计的证据轨迹。我们的训练方案结合了SFT、关键步骤OPD和RLVR，开发出独立的金融推理和代理执行专家，最终通过模型合并和多教师在线蒸馏形成紧凑的通用金融代理。
🔬 方法详解
问题定义：本论文旨在解决金融代理在执行复杂任务时的可靠性和可审计性不足的问题。现有方法往往无法有效处理长时间跨度的研究任务，导致结果不够可信。
核心思路：我们提出Mint-Agent，通过构建专门的数据引擎和交互工具，结合多种训练策略，提升金融代理的智能水平，使其能够在真实金融环境中稳定执行任务并保持可审计性。
技术框架：Mint-Agent的整体架构包括数据引擎、MintHarness和训练流程。数据引擎负责从真实金融数据中构建任务，MintHarness支持与开放环境的交互，训练流程则结合了SFT、OPD和RLVR等技术。
关键创新：最重要的创新在于将金融推理与代理执行分开训练，并通过模型合并和多教师蒸馏技术实现统一，形成高效的金融代理模型。与现有方法相比，这种设计显著提升了模型的可靠性和执行能力。
关键设计：在训练过程中，我们采用了特定的损失函数和参数设置，以确保模型在不同任务上的表现稳定。同时，网络结构经过优化，以适应金融领域的特殊需求。具体细节包括使用9B和27B参数规模的模型Mint-Cu和Mint-Ag。
🖼️ 关键图片
📊 实验亮点
实验结果表明，Mint-Ag在RFC-Bench上达到了98.33%的准确率，超越了GPT-5.6-Sol和Claude-Opus-4.8，分别提升了3.66和3.00分。而Mint-Cu在FinSearchComp T2上达到了69.86%，超越了Agents-A1-35B和Nex-N2-mini，分别提升了22.83和12.78分，显示出显著的性能优势。
🎯 应用场景
Mint-Agent的研究成果在金融领域具有广泛的应用潜力，包括智能投资顾问、风险管理系统和财务分析工具等。通过提供可靠的金融智能，Mint-Agent能够帮助金融机构提高决策效率，降低风险，并增强客户信任。未来，该技术有望推动金融服务的智能化和自动化进程。
📄 摘要（原文）
Financial agents must do more than recall domain knowledge: they must be both reliable, executing precise operations over grounded evidence, and executive, sustaining long-horizon research whose conclusions remain auditable. We present Mint-Agent, a family of finance-native agentic models designed around these two scales of financial intelligence. Mint-Agent is built upon three pillars: data, harness, and algorithm. Our data engine constructs clean, specialized tasks for atomic financial capabilities and long-horizon agentic execution from real-world financial sources. MintHarness enables stable interaction with open-ended environments and maintains auditable evidence trails across extended research trajectories. Our training recipe combines SFT, critical-step OPD, and RLVR to develop separate financial reasoning and agentic execution experts, which are then unified through model merging and multi-teacher on-policy distillation into compact, general-purpose financial agents. This pipeline yields two flagship models, Mint-Cu (9B) and Mint-Ag (27B). Across professional financial benchmarks, our models demonstrate two defining strengths: (1) Reliability: Mint-Ag achieves 98.33% on RFC-Bench, surpassing GPT-5.6-Sol and Claude-Opus-4.8 by 3.66 and 3.00 points; and (2) Executability: Mint-Cu reaches 69.86% on FinSearchComp T2, outperforming Agents-A1-35B and Nex-N2-mini by 22.83 and 12.78 points, while Mint-Ag achieves 76.00% and 60.49% on FinanceAgentBench v1.1 and v2, respectively. These results establish a path toward trustworthy financial intelligence in which domain expertise, long-horizon execution, and auditable evidence are jointly engineered as a unified foundation for frontier agentic models.