Mint-Agent: Introducing Finance-Native Agentic Foundation Models
Mint-Agent Team, Kun Wang, Gavin Zhang, Yaze Geng, Lei Tang, Yaoyang Yi, Zonghan Wu, Yifan Hu, Qingsong Wen, Yilei Shao
cs.CL, cs.LG
2026-08-17
Mint-Agent 用可追溯数据和证据账本训练金融原生智能体，结论可回放核验。27B 的 Mint-Ag 在 RFC-Bench 拿到 98.33、FinanceAgentBench 76%，单题成本约为 GPT-5.6-Sol 的两成。
金融智能体不能只背术语。它要在有出处的证据上做精确运算，还要撑住长程调研，并且每条结论能回放。现成智能体常在半路上断链：源相关但不权威、财年读错、单位混用。没有从源到计算到结论的可恢复路径，结果就不可信、也修不好。华东师大上海金融与 AI 学院和 Mint 团队把这条契约做成数据、harness 和算法三件套。
数据引擎分两路。原子任务覆盖知识、抽取、计算、分析、核验，源来自 EDGAR、XBRL、交易所和 FRED，每条事实带定位器，推导必须可重放且答案唯一。长程任务只给研究目标，隐藏证据图，智能体必须自己搜、查、算、综合；图在生成时就固定，供事后核验。MintHarness 把证据账本和工作记忆放在模型上下文之外，工具结果蒸馏成带出处的记录，提交时用隔离评估器对照隐藏参考答案。训练先分叉：推理专家在原子任务上 SFT 再 RLVR（GSPO），执行专家在长程轨迹上 SFT、关键步 on-policy distillation，再对整条轨迹 RLVR。两边用 TIES 合并，再用按任务来源路由的多教师 OPD 收成一个策略：原子题走推理教师，长程交互走执行教师，避免两个专家在同一条样本上互相抢信号。底座是 Qwen3.5-9B（Mint-Cu）和 Qwen3.6-27B（Mint-Ag）。
七项专业基准上 Mint-Ag 全部最高。RFC-Bench 98.33%，高于 Claude Opus 4.8 的 95.33 和 GPT-5.6-Sol 的 94.67。FinanceAgentBench v1.1 76.00%、v2 60.49%，后者比 GPT-5.6-Sol 高 3.70 分。FinSearchComp T2 89.04%，高于 Cursor（Grok 4.5）的 81.74。9B 的 Mint-Cu 在 T2 拿到 69.86%，超过 Agents-A1-35B 的 47.03。成本上 Mint-Ag 的 v2 均价 0.213 美元，GPT-5.6-Sol 为 0.959 美元，大约是其 22%。FinanceAgentBench 公开集很小：v1.1 50 题、v2 27 题。失败分析里，Cu 在 v1.1 主残差是漏答（18%），v2 主残差变成证据抽取（18.5%）。TIES 合并后四项分数不稳，多教师 OPD 再把 9B 拉回到 Cu 的最终分。
| 模型 | RFC-Bench | FAB v1.1 | FinSearchComp T2 |
| GPT-5.6-Sol | 94.67 | 66.00 | 41.10 |
| Claude Opus 4.8 | 95.33 | 66.00 | 45.66 |
| Mint-Cu 9B | 96.67 | 68.00 | 69.86 |
| Mint-Ag 27B | 98.33 | 76.00 | 89.04 |
金融垂直智能体常被做成「领域语料微调 + 通用工具脚手架」。这篇把出处、可重放计算和审计轨迹当成同一条正确性契约，贯穿造题、执行和 RL 奖励。27B 在可靠性和长程执行上压过更大的通用模型，9B 已经够用搜索型任务，对要自建金融调研栈的团队是可对照的全栈配方。代价是评测面很窄，公开 agent 集只有几十题。
FinanceAgentBench 用的是公开 50+27 题，作者联系维护方要额外划分未果，过拟合风险写在明面上。原子推理是单轮，长程才走 harness，和真实多工具混用仍有缝。成本按 Qwen 基座价折算本地 token，不是市场上的 Mint API 价。RFC 只评 Task 2。没有独立第三方复现。失败从漏答转到证据抽取，说明更难的研究题还卡在把检索结果变成口径正确的金融证据。