.png?table=collection&id=cbe6506e-1263-8358-a4d7-07ce62fcbb3f&t=cbe6506e-1263-8358-a4d7-07ce62fcbb3f){kind=small}
ARTICLE SIGNAL
深度解析Mint-Agent：超越GPT与Claude的金融AI大模型
AI资讯,AI新闻,大模型,人工智能,Mint-Agent,华东师大智金院发布金融原生基模Mint-Agent，性能超越GPT-5.6与Claude Opus 4.8，实现低成本与高可审计性，商业订单破亿，引领AI变现与金融科技新时代。
type
status
date
slug
summary
tags
category
icon
password
网址
在当前人工智能高速发展的浪潮中，大模型（LLM）正在从通用的对话问答走向垂直领域的深度应用。近期，一则重磅AI新闻引发了业界的广泛关注：由华东师范大学上海人工智能金融学院（智金院）团队孵化的金融原生Agentic Foundation Model家族——Mint-Agent正式发布。这款模型不仅在核心评测中超越了行业标杆，更是斩获了超亿元的商业订单。
对于关注AI资讯和AI变现的从业者来说，Mint-Agent的成功提供了一个极佳的观察切入点。它向我们展示了，在极度严谨的金融领域，AGI技术如何从“玩具”变成真正的“生产力工具”。想要获取更多前沿的AI日报和行业动态，欢迎访问专业的AI门户网站 https://aigc.bar。接下来，我们将深度解读Mint-Agent的核心技术壁垒及其商业价值。
性能与成本的双重突破：超越GPT与Claude
在评估金融智能体能力的权威基准测试FinanceAgentBench v2中，27B参数量的Mint-Ag模型取得了60.49%的优异成绩。这一数据不仅超越了此前备受瞩目的GPT-5.6-Sol与claude Opus 4.8，更令人惊叹的是其在成本控制上的表现。
根据官方披露的数据，Mint-Ag在取得更高准确率的同时，其单题推理成本仅为GPT-5.6-Sol的约22%，以及Claude Opus 4.8的约10%。此外，团队还推出了9B参数的紧凑型模型Mint-Cu，进一步挖掘了小参数模型在金融搜索与执行中的效率潜力。这种“高能效比”意味着，金融机构在进行大规模投研、风控和审计时，不再需要为昂贵的算力账单发愁。性能的提升并不必然依赖于盲目增加推理预算，而是来自于模型内部金融推理、长程执行与证据管理能力的完美协同。
从“生成答案”到“可复核审查”：金融AI的核心壁垒
在通用chatGPT或openai的其他模型应用中，用户往往更看重生成的文本是否流畅、逻辑是否自洽。然而，金融行业对容错率的要求极低，绝不会容忍“差不多正确”的答案。
真实的金融投研很少能通过单一的知识点或简单的Prompt（提示词）来完成。一个合格的金融智能体必须能够自主寻找权威材料（如EDGAR、XBRL等），精准识别报告期，提取并统一单位，完成复杂的数学计算，最后跨来源交叉核验得出结论。
Mint-Agent团队敏锐地捕捉到了这一痛点，将模型的能力边界从传统的“Financial LLM（金融知识问答）”拉升到了“Agentic Foundation Model（证据可追溯、计算可复现、过程可验证）”。模型不仅要给出答案，更要把来源、时间、数值与运算过程纳入一条“可恢复链”。这意味着，审计人员或风控专家可以像检查人类分析师的工作底稿一样，对AI的每一步操作进行溯源和复核。
三位一体技术栈：Data、Harness与Algorithm
Mint-Agent之所以能实现如此严苛的“可审计性”，得益于其独创的“三位一体”技术架构。这并非简单的功能堆砌，而是共享同一套金融正确性标准的系统工程：
- Data（数据引擎）：重新定义“什么算对”。系统从海量真实金融记录中抽取事实，并将其与实体、报告期、指标、数值等严格绑定。在长程任务训练中，系统会故意隐藏直接材料，迫使模型在开放环境中自行恢复证据路径，确保正确性依赖于机器可核验的事实节点，而非语言的概率拟合。
- Harness（状态化执行）：MintHarness将研究过程转化为有状态的执行循环。它引入了创新的“证据账本（Evidence Ledger）”，将确认的实体、数值、来源等关键信息保存在模型上下文之外。即使对话轮次增加、上下文被压缩，核心证据也不会丢失，确保了长程任务的稳定性。
- Algorithm（双核训练算法）：模型擅长金融计算并不等同于擅长工具调用。Mint-Agent通过独特的训练路径，分别强化了“金融推理”与“Agentic执行”两大能力，并通过自研算法将两者无缝融合。
真实场景轨迹验证：允许试错，但拒绝盲目自信
在实际应用中，Mint-Agent展现出了极强的纠错与长程状态保持能力。以AMD收入指引的检索轨迹为例，模型在历经13个步骤、23次工具调用中，能够主动否决错误的检索结果，扩大搜索范围，并在最终输出前重新核对来源。
在台积电2025年第一季度营收推演的案例中，模型在长达37步的执行中，跨越了申报受阻、数据误用等多个陷阱。它能够持续保留有效的指引数据，修正统计窗口，最终完成极其复杂的历史重算与未来推演。这些真实的运行轨迹证明：可审计性不仅仅是给结论附上引用链接，更是让系统在面对失败时能够被明确记录，并触发可追踪的路径修正。
商业化落地与未来展望：亿元订单背后的AI变现逻辑
目前，Mint-Agent的商业订单已超亿元，标志着其正式从模型能力验证阶段迈入规模化金融场景验证阶段。在竞争日益激烈的大模型赛道上，这无疑是一个极具分量的里程碑。
随着金融基座模型进入基础设施竞争阶段，核心考量已经从“模型跑分有多高”转向了“模型能否安全进入核心生产环境”。由华东师范大学牵头的跨学科联合团队，凭借深厚的算法底蕴和对金融业务的深刻理解，成功打通了“模型研发—金融问题定义—工程部署—真实场景反馈”的商业闭环。
对于广大企业和开发者而言，Mint-Agent的成功也为AI变现提供了新思路：垂直领域的深度定制与高可靠性，远比泛泛的通用能力更具商业价值。如果您希望持续追踪此类高价值的AI新闻和前沿技术解析，强烈推荐您收藏并访问 https://aigc.bar，获取最专业的AI资讯与行业洞察。未来，随着可信、安全的金融AI基础设施不断完善，我们有理由相信，人工智能将在更多高壁垒行业中释放出惊人的颠覆力量。
Loading...