Agentar-Fin-R1: Aprimorando a Inteligência Financeira por meio de Expertise de Domínio, Eficiência de Treinamento e Raciocínio Avançado

Agentar-Fin-R1: Enhancing Financial Intelligence through Domain Expertise, Training Efficiency, and Advanced Reasoning

July 22, 2025

Autores: Yanjun Zheng, Xiyang Du, Longfei Liao, Xiaoke Zhao, Zhaowen Zhou, Jingze Song, Bo Zhang, Jiawei Liu, Xiang Qi, Zhe Li, Zhiqiang Zhang, Wei Wang, Peng Zhang

cs.AI

Resumo

Os Modelos de Linguagem de Grande Escala (LLMs) demonstram um potencial considerável em aplicações financeiras; no entanto, os modelos predominantes frequentemente apresentam limitações ao enfrentar cenários que exigem capacidades de raciocínio sofisticadas, critérios rigorosos de confiabilidade e adaptação eficiente a requisitos específicos do domínio. Introduzimos a série Agentar-Fin-R1 de modelos de linguagem de grande escala financeira (8B e 32B parâmetros), especificamente projetados com base no modelo base Qwen3 para aprimorar as capacidades de raciocínio, confiabilidade e especialização em domínios financeiros. Nossa abordagem de otimização integra um sistema de rotulação de tarefas financeiras de alta qualidade e sistemático com uma estrutura abrangente de garantia de confiabilidade em múltiplas camadas. Essa estrutura engloba engenharia de conhecimento confiável de alta qualidade, síntese de dados confiáveis por múltiplos agentes e governança rigorosa de validação de dados. Por meio de otimização automatizada guiada por rótulos com consciência de dificuldade, pipeline de treinamento em duas etapas e sistemas de atribuição dinâmica, alcançamos melhorias substanciais na eficiência do treinamento. Nossos modelos passam por avaliação abrangente em benchmarks financeiros principais, incluindo Fineva, FinEval e FinanceIQ, bem como em conjuntos de dados de raciocínio geral, como MATH-500 e GPQA-diamond. Para avaliar minuciosamente as capacidades de implantação no mundo real, propomos inovadoramente o benchmark de avaliação Finova, que se concentra no raciocínio financeiro em nível de agente e na verificação de conformidade. Os resultados experimentais demonstram que o Agentar-Fin-R1 não apenas alcança desempenho de ponta em tarefas financeiras, mas também exibe capacidades excepcionais de raciocínio geral, validando sua eficácia como uma solução confiável para aplicações financeiras de alto risco. O benchmark Finova está disponível em https://github.com/antgroup/Finova.

English

Large Language Models (LLMs) exhibit considerable promise in financial applications; however, prevailing models frequently demonstrate limitations when confronted with scenarios that necessitate sophisticated reasoning capabilities, stringent trustworthiness criteria, and efficient adaptation to domain-specific requirements. We introduce the Agentar-Fin-R1 series of financial large language models (8B and 32B parameters), specifically engineered based on the Qwen3 foundation model to enhance reasoning capabilities, reliability, and domain specialization for financial applications. Our optimization approach integrates a high-quality, systematic financial task label system with a comprehensive multi-layered trustworthiness assurance framework. This framework encompasses high-quality trustworthy knowledge engineering, multi-agent trustworthy data synthesis, and rigorous data validation governance. Through label-guided automated difficulty-aware optimization, tow-stage training pipeline, and dynamic attribution systems, we achieve substantial improvements in training efficiency. Our models undergo comprehensive evaluation on mainstream financial benchmarks including Fineva, FinEval, and FinanceIQ, as well as general reasoning datasets such as MATH-500 and GPQA-diamond. To thoroughly assess real-world deployment capabilities, we innovatively propose the Finova evaluation benchmark, which focuses on agent-level financial reasoning and compliance verification. Experimental results demonstrate that Agentar-Fin-R1 not only achieves state-of-the-art performance on financial tasks but also exhibits exceptional general reasoning capabilities, validating its effectiveness as a trustworthy solution for high-stakes financial applications. The Finova bench is available at https://github.com/antgroup/Finova.