論文の概要: Mint-Agent: Introducing Finance-Native Agentic Foundation Models
- arxiv url: http://arxiv.org/abs/2608.16386v1
- Date: Mon, 17 Aug 2026 10:38:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.639171
- Title: Mint-Agent: Introducing Finance-Native Agentic Foundation Models
- Title（参考訳）: Mint-Agent:金融Native Agentic Foundation Modelの導入
- Abstract要約: Mint-Agentは、2種類の金融インテリジェンスに基づいて設計された金融ネイティブエージェントモデルのファミリーである。
我々のデータエンジンは、原子間金融能力と現実世界の金融源からの長期エージェント実行のためのクリーンで特殊なタスクを構築します。
我々は、SFT、クリティカルステップPD、RLVRを組み合わせて、個別の財務推論とエージェント実行の専門家を育成する。
- 参考スコア（独自算出の注目度）: 35.60075311822668
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: 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.
- Abstract（参考訳）: ファイナンシャル・エージェントはドメインの知識を思い出す以上のことをしなければなりません。それらは信頼性があり、根拠のある証拠に対して正確な操作を行なわなければならない。
この2つの金融インテリジェンスに基づいて設計された金融ネイティブエージェントモデルのファミリーであるMint-Agentを紹介します。
Mint-Agentはデータ、ハーネス、アルゴリズムの3つの柱の上に構築されている。
我々のデータエンジンは、原子間金融能力と現実世界の金融源からの長期エージェント実行のためのクリーンで特殊なタスクを構築します。
MintHarnessは、オープンエンド環境との安定したインタラクションを可能にし、拡張された研究軌跡を越えて監査可能なエビデンストレイルを維持する。
SFT, クリティカルステップOPD, RLVRを併用して, 個別の財務推論とエージェント実行の専門家を育成し, モデルマージと複数教師のオンライン蒸留により, コンパクトで汎用的な金融エージェントへと統合する。
このパイプラインはMint-Cu (9B)とMint-Ag (27B)の2つのフラッグシップモデルを生成する。
信頼性: Mint-AgがRFC-Benchで98.33%、GPT-5.6-SolとClaude-Opus-4.8を3.66ポイント、3.00ポイント、実行可能性: Mint-Cuが69.86%、FinSearchComp T2がA1-35B、Nex-N2-miniが22.83ポイント、Mint-Agが76.00%、60.49%、それぞれファイナンスAgentBench v1.1およびv2が60.49%である。
これらの結果は、ドメインの専門知識、長距離実行、監査可能な証拠が、フロンティアエージェントモデルの統一基盤として共同で設計される、信頼できる金融インテリジェンスへの道を確立します。
関連論文リスト
- F$^2$Agent: Financial Fusion of Agentic Intelligence for Multimodal Trading [24.61485862983447]
エージェント・インテリジェンス・ファイナンシャル・フュージョン・オブ・エージェント・インテリジェンスによって駆動される新しいエージェント・パラダイムであるF$2$Agentを提案する。
F$2$Agentは、まず特定のエージェントの階層をデプロイし、モダリティ固有の信号を包括的に抽出する。
さらに、雑音耐性のトレーディング信号を生成するために、モーダルアウェア適応融合機構とノイズロバスト整合正則化を導入する。
論文 参考訳（メタデータ） (2026-08-06T07:05:17Z) - FinDeepIndicator: Benchmarking Deep Research Agents in End-to-End Financial Indicator Construction [57.909515451254855]
FinDeepIndicatorは、エンドツーエンドの金融指標構築においてDeep Research(DR)エージェントを評価するための最初のベンチマークである。
DRエージェントを、公式仕様、データ収集、インジケータ計算、回答生成の4段階にわたって評価する。
米国と中国の両方の市場から抽出された3350のキュレートされた質問応答ペア、10年間の歴史的財務データ、800の上場企業が含まれている。
論文 参考訳（メタデータ） (2026-08-01T16:54:41Z) - FinanceHarness: Autonomous Financial Deep Research Framework [41.02718376252945]
FinanceHarnessは金融指向のツールと、実践者向けで自動化された金融深層調査をエンドツーエンドで実行している。
FinanceGymは、論文駆動の研究質問と、プレカットとポストカットの基準を組み合わせたルーリックで構成されている。
論文 参考訳（メタデータ） (2026-07-30T08:32:04Z) - IPO Finance Agent: Benchmark of LLM Financial Analysts Beyond Finance Agent v2, with Automated Rubric Generation, on the SpaceX (SPCX) IPO [0.0]
ファイナンスエージェント v2(Vals AI)が金融言語モデルを評価する基準ベンチマークとして登場した。
タスクドメインと検索アーキテクチャの2つの方向に沿ってファイナンスエージェントフレームワークを拡張したIPOファイナンスエージェントを紹介します。
最高の性能評価モデルであるZhipu GLM-5.2は79.8%の精度に達し、その結果得られたフロンティアで最もコスト効率のよいXiaomi MiMo-2.5 Proはクエリあたり0.05 USDでわずかに低い精度(77.2%)に達した。
論文 参考訳（メタデータ） (2026-06-22T08:42:19Z) - Herculean: An Agentic Benchmark for Financial Intelligence [114.33879935277217]
代表的な4つのスキルセットにまたがるエージェント金融インテリジェンスのための最初の熟練したベンチマークであるHerculeanを紹介します。
フェデラーエージェント全体では、TradingやMarket Insightsではエージェントが比較的うまく機能するが、HedgingやAuditingではかなり苦労している。
全体としては、財務的推論を信頼性のあるワークフロー実行に変換する上で、現在のエージェントに重要なギャップがあることを示している。
論文 参考訳（メタデータ） (2026-05-14T04:30:49Z) - ComplexMCP: Evaluation of LLM Agents in Dynamic, Interdependent, and Large-Scale Tool Sandbox [61.862814740220806]
$textbfComplexMCP$は厳格な条件下でエージェントを評価するために設計されたベンチマークである。
Model Context Protocol (MCP)上に構築された$textbfComplexMCP$は300以上の精巧にテストされたツールを提供する。
論文 参考訳（メタデータ） (2026-05-11T16:20:51Z) - LLM Output Drift: Cross-Provider Validation & Mitigation for Financial Workflows [0.5798758080057375]
非決定論的出力(アウトプットドリフト)は監査性と信頼を損なう。
規制された金融業務に関する5つのモデルアーキテクチャ間のドリフトを定量化する。
この発見は、より大きなモデルがプロダクションデプロイメントに普遍的に優れているという従来の仮定に挑戦する。
論文 参考訳（メタデータ） (2025-11-10T19:54:00Z) - When Agents Trade: Live Multi-Market Trading Benchmark for LLM Agents [74.55061622246824]
Agent Market Arena (AMA)は、LLM(Large Language Model)ベースのトレーディングエージェントを評価するための、初めてのリアルタイムベンチマークである。
AMAは、検証済みのトレーディングデータ、専門家チェックされたニュース、および統一されたトレーディングフレームワーク内に多様なエージェントアーキテクチャを統合する。
GPT-4o、GPT-4.1、Claude-3.5-haiku、Claude-sonnet-4、Gemini-2.0-flashにまたがる薬剤を評価する。
論文 参考訳（メタデータ） (2025-10-13T17:54:09Z) - Scaling Agents via Continual Pre-training [80.97989245493326]
我々は,エージェント連続事前学習(Agentic CPT)を深層研究エージェント訓練パイプラインに組み込んで,強力なエージェント基礎モデルを構築することを提案する。
我々は,AgentFounder-30Bを10のベンチマークで評価し,強力なツール使用能力を保ちながら最先端のパフォーマンスを実現した。
論文 参考訳（メタデータ） (2025-09-16T17:57:19Z) - Agentar-Fin-R1: Enhancing Financial Intelligence through Domain Expertise, Training Efficiency, and Advanced Reasoning [12.548390779247987]
本稿では,Agensar-Fin-R1シリーズを紹介する。
我々の最適化手法は、高品質で体系的な金融タスクラベルシステムを統合する。
われわれのモデルは、主要な金融指標を総合的に評価している。
論文 参考訳（メタデータ） (2025-07-22T17:52:16Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。