10月22日,蚂蚁数科正式发布决策模型 LingDT-Decision-1.0。该模型专为快速决策任务打造,在处理结构化决策场景时具备准确率更高、响应更快、Token 成本更低等优势,尤其适用于产业 AI 落地。LingDT-Decision-1.0 提供 4B 和 27B 两个版本。目前,该模型已在蚂蚁数科 DTMaaS 平台上线,开发者可限时免费体验。

蚂蚁数科团队在智能客服、风控、金融等真实业务场景的测试显示,在处理同类任务时,LingDT-Decision-1.0 相比通用大语言模型,可将 Token 消耗降低 90% 以上,响应速度提升 10 倍,且综合性能表现更优。
与其他决策模型相比,LingDT-Decision-1.0 业界首创支持原生多选与按序决策能力,更加贴合企业真实的业务流程。在 23 项开源评测基准测试中,LingDT-Decision-1.0 的综合评分超越了 Microsoft-Decision-1、Jev 1.13 等主流决策模型;其中 27B 版本更是在同参数量级模型中斩获最高准确率。

(图注:LingDT-Decision 4B/27B 版本的核心优势区间,覆盖了包括 Jev、MS Decision、GLiDE 等在内的同体量决策模型,具备极高的综合性价比)
专为决策任务设计,Token 消耗直降超 90%,更快更准
在企业实际业务中,存在大量高频的决策类任务。
例如在客服场景中,当用户发来咨询“这个订单已经三天了还没发货,请尽快处理”时,AI 系统需要迅速完成一系列连贯的判定与决策:问题类型判定(退款、催单还是投诉?)、工单紧急度评估(是否需要加急处理)、派单部门归属(派发至哪一业务线)以及风险等级审核(是否需要立即转交人工客服)。
通用大语言模型在应对此类任务时存在明显短板:通常需要逐字(Token)进行自回归推理再生成文本,推理链路长、计算成本高,输出格式容易出现波动,整体稳定性不足。
决策模型正是为解决上述痛点而生。其核心目标并非生成长文本,而是做出快速、精准的业务判断。因此,它天然适用于意图识别、工具调用判定、规则分类和结果打分等高频业务决策节点。
目前,LingDT-Decision-1.0 模型已在蚂蚁数科的客服、风控、金融等业务线上线测试。其核心技术逻辑,是将大模型传统的“先生成结构化文本再进行后置解析”,转变为“在限定选项空间中直接输出决策概率与判定结果”。这不仅消除了输出格式不符带来的解析错误,还大幅简化了后置的数据校验与工程处理流程。
在实际业务评测中,LingDT-Decision-1.0 表现显著:
- 数据标注场景:对比 DS-V4-flash,Token 消耗降低约 97%,处理效率提升约 10 倍;
- 智能客服场景:对比 Qwen-3.7-flash,Token 消耗减少 90%,处理速度提升约 1 倍,风险识别准确率从 76% 提升至 89%;
- 金融业务场景:在涉及意图识别、工具组合调用及幻觉检测等复合任务中,处理效率提升约 5 倍,工具组合完全匹配率提升约 2.6 倍,幻觉召回率从 44% 提升至 70%,有效提升了对潜在业务风险的敏锐度。
综合测试表明,LingDT-Decision-1.0 能够在各类复杂场景中持续提供低成本、高时效、高精度的决策支撑。此外,该模型支持以单套架构适配多类业务判定逻辑,显著降低了系统的接入与维护成本,便于在企业不同业务板块中快速复用。
打造下一代决策式模型,两大功能全球首发
与同类决策模型相比,蚂蚁数科 LingDT-Decision-1.0 更加注重企业级复杂流程的实际需求。在单选、二值判断、分类、打分等常规决策能力的基础上,LingDT-Decision-1.0 全球首发了原生多选与**按序决策(DAG)**两项关键特性。
在企业实际业务中,用户的诉求往往不是单一的“单选题”,而是“识别一组复合事项并有序执行”。例如用户表示:“我要退款、关闭续费、补开发票,但不要注销账号。”传统单选模型往往只能抓取到“退款”这一显式意图,容易遗漏其他诉求;而多选模型能够一次性完整解析全部意图;结合按序决策机制,系统还能进一步规划执行依赖关系——先核验退款资格、并行关闭续费,待退款完成后再行处理发票业务。这一机制高度贴合企业实际工作流,显著提升了端到端解决率。
具体而言:
- 原生多选能力:支持单次推理命中多个有效候选标签,有效满足多标签分类、复合意图识别及多工具并行调用的需求;
- 按序决策能力:能够依据业务依赖逻辑自主执行多步链式决策,全面契合金融、风控等高安全、严逻辑场景。
在涵盖 23 项主流开源评测基准的综合测试中,LingDT-Decision-1.0 27B 版本综合得分(90% 单选权重 + 10% 多选权重)位居榜首,超越了 Microsoft-Decision-1、Jev 1.13.0、Fastino/GLiDE 等模型。
在多选任务专项评测中,LingDT-Decision-1.0 的 4B 和 27B 版本准确率均超越了包括 Microsoft-Decision-1、Jev 1.13.0、Star-lux 在内的 16 款决策模型,展现出原生多选设计在复合判定任务上的优势;在基础单选任务上,该系列模型同样稳居行业第一梯队。

(图注:单选/多选能力二维评估分布显示,LingDT-Decision 4B/27B 在单选判断能力上稳居第一梯队,超越绝大多数同尺寸模型;在原生多选能力维度上则保持断档式领先)


