华东师大智金院团队发布了金融原生Agentic Foundation Model家族Mint-Agent，包括9B的Mint-Cu和27B的Mint-Ag。在FinanceAgentBench v2基准上，Mint-Ag以60.49%的得分超越GPT-5.6-Sol和Claude Opus 4.8，且推理成本仅为后两者的约22%和10%。目前商业订单已超亿元，标志着模型从能力验证进入规模化金融场景验证阶段。
SynthePulse Insight · AI 深度解读会员精读
版本 1 · 1 个来源
华东师大智金院发布金融原生Agentic Foundation Model家族Mint-Agent，27B的Mint-Ag在FinanceAgentBench v2上以60.49%超越GPT-5.6-Sol与Claude Opus 4.8，单题推理成本仅为两者的约22%和10%，商业订单已超亿元。其核心不是更强的问答，而是把来源、时间、数值与运算纳入同一条可恢复链，让每个结论都可被复核。
Mint-Agent的发布核心数据是：在FinanceAgentBench v2上，27B的Mint-Ag得分60.49%，超过GPT-5.6-Sol和Claude Opus 4.8；同时单题推理成本分别仅为两者的约22%和10%。这组数字直接回应了金融AI的一个关键问题：性能提升是否必然以更高执行成本为代价。Mint-Agent给出的答案是，通过金融推理、长程执行与证据管理能力的协同，可以在不增加推理预算的情况下获得更高准确率。
9B的Mint-Cu则展示了紧凑模型在金融搜索与执行中的效率潜力。团队强调，真正的门槛不是“知道”，而是“做完”——真实金融研究需要模型自己找到权威材料、识别正确报告期、抽取指标、统一单位、完成计算，再跨来源核验并形成结论。任何一环偏离，最后的文字都可能“看起来合理，实际上错误”。
本文信息主要来自机器之心对Mint-Agent发布的报道，属于第二手来源。所有性能数据、成本对比、商业订单金额等均为来源方声称，未经独立验证。技术细节（如MintHarness、证据账本、训练路径）来自团队发布的技术报告和项目网站，同样属于来源声明。读者应将其视为厂商宣称，而非已确认事实。
主报道
主报道来源