10月22日，记者获悉，蚂蚁数科发布决策模型 LingDT—Decision—1.0。该模型专为快速决策打造，在处理结构化决策任务时，具备准确率更高、响应更快、Token成本更低等优势，尤其适合产业AI场景。
据介绍，LingDT—Decision—1.0提供4B和27B两个版本，目前，模型已经在蚂蚁数科DTMaaS平台上线，开发者可限时免费体验。
蚂蚁数科团队在客服、风控、金融等真实业务场景测试显示，在处理同样任务时，LingDT—Decision—1.0相比于大语言模型，可将Token消耗降低超90%，响应时效提升10倍，并且性能表现更优。
相比于其他决策模型，LingDT—Decision—1.0首创支持原生多选与按序决策能力，更适配企业真实应用场景。在23项开源评测基准中，LingDT—Decision—1.0的综合评分超过了Microsoft-Decision—1、Jev 1.13.等热门决策模型，LingDT—Decision—1.0的27B版本在同参数模型中取得最高准确率。
（图注：LingDT Decision的4B/27B 版本的优势区域，覆盖了相关尺寸包括Jev、MS Decision、GLiDE等决策模型，表现出极强的综合性价比）
专为决策任务设计，能让烦琐流程变简单
在企业实际应用中，存在大量高频的决策类任务。例如，在客服场景中，当收到“这个订单已经三天了还没发货，请尽快处理。”的问询后，AI需要快速进行一系列判断和决策：问题类型（退款、催单还是投诉？）、工单紧急度（是否需要优先处理）、归属部门（工单派到哪个部门）以及风险判断（是否需要人工接管）。
传统大语言模型在这类场景中存在明显短板。大语言模型通常需要逐字（Token）进行推理，再生成输出文本，链路长、成本高，也更容易出现错误，性能不够稳定。
决策模型正是针对这些“痛点”而设计，它的目标不是生成文本，而是做出快速、准确的判断。因此适合承担企业业务中的高频决策型任务，如意图判断、工具选择、规则分类和结果打分等。
目前，LingDT—Decision—1.0模型目前已在蚂蚁数科的智能客服、安全风控、金融应用等真实业务场景展开测试。它的核心思路，是把大模型从“先生成结构化答案，再做后续解析”，转变为“在限定选项中直接做判断”。这样不仅减少了因输出不稳定带来的格式问题，也让原本烦琐的解析和校验流程变得更加简单。
在数据标注场景中，相比 DS—V4—flash，Token消耗降低约97%，处理时效提升约10倍；在智能客服场景中，相比 Qwen—3.7—flash，Token消耗降低90%，处理时效提升约1倍，同时风险识别准确率由76%提升至89%。
综合来看，LingDT—Decision—1.0在多个真实场景中稳定体现出成本更低、响应更快、判断更准的优势。与此同时，它还能以一套模型适配多类判定任务，接入更简单、维护更省力，因此也更容易在不同业务场景中复用和推广。
另外，相比其他决策模型，蚂蚁数科 LingDT—Decision—1.0更加强调面向企业真实应用场景打造。除了判断、单选、分类、评级等基础能力外，LingDT—Decision—1.0还首创推出原生多选与按序决策（DAG）功能，能够更好适配企业业务中复杂、多步骤的决策需求。
在企业场景中，更普遍的并不是“选一个”，是“识别一组要处理的事项，并按顺序执行”。例如当用户提出：“我要退款、关闭续费、补开发票，但不要注销账号。”单选往往只能识别“退款”这一主诉求，容易漏掉其他需求。而多选能一次识别所有诉求；按序决策还能进一步判断：退款需先核验，关闭续费可先执行，发票处理可能要等退款结果。因此，多选和按序决策更贴近真实业务流程，也更能提升准确率和最终处理效果。
文/广州日报新花城记者：文静
广州日报新花城编辑：李光曼
