AI 摘要
- 螞蟻數科於10月22日正式發佈 LingDT-Decision-1.0，提供4B與27B兩個版本。
- 來源稱相比大語言模型，該模型可將Token消耗降低超90%，響應時效提升10倍。
- 該模型首創原生多選與按序決策（DAG）功能，目前已在DTMaaS平臺限時免費開放體驗。
螞蟻數科 LingDT-Decision-1.0 於10月22日正式發佈，定位為專為快速決策打造的決策模型，主打結構化決策任務的準確率、響應速度與Token成本優勢，並特別瞄準產業AI場景。該模型提供4B與27B兩個版本，目前已在螞蟻數科 DTMaaS 平臺上線，開發者可限時免費體驗。
產品定位與目標場景
企業應用中存在大量高頻決策任務。以客服場景為例，AI需要判斷問題類型、工單緊急度、歸屬部門以及是否需要人工接管。傳統大語言模型需要逐Token推理後再生成文字，鏈路長、成本高，也較容易出現錯誤與格式不穩定的問題。LingDT-Decision-1.0 的設計目標不是生成文本，而是快速做出準確判斷，適合意圖判斷、工具選擇、規則分類與結果打分等任務。
主要功能
- 原生多選：一項任務可同時命中多個候選，適配多標籤識別、複合意圖與工具組合等需求。
- 按序決策（DAG）：依任務之間的依賴關係安排多步驟決策順序，更貼近金融、風控與客服等真實業務流程。
來源以「我要退款、關閉續費、補開發票，但不要註銷賬號」為例：單選往往只能識別退款，多選可一次識別全部訴求，按序決策則可判斷退款需先覈驗、關閉續費可先執行，而發票處理可能需等待退款結果。
版本與上線資訊
- 版本：4B 與 27B 兩個版本
- 上線平臺：螞蟻數科 DTMaaS 平臺
- 體驗方式：限時免費
實測表現與比較
來源指出，螞蟻數科團隊在客服、風控、金融等真實業務場景中測試，相比大語言模型，LingDT-Decision-1.0 可將Token消耗降低超90%，響應時效提升10倍。以下為來源列出的部分場景對照：
| 應用場景 | 對照模型 | Token 消耗 | 處理時效 | 其他指標 |
|---|---|---|---|---|
| 數據標註 | DS-V4-flash | 降低約97% | 提升約10倍 | 來源未提供其他指標 |
| 智能客服 | Qwen-3.7-flash | 降低90% | 提升約1倍 | 風險識別準確率由76%提升至89% |
| 金融應用 | 來源未標示 | 來源未提供 | 提升約5倍 | 工具組合完全匹配率提升約2.6倍；幻覺召回率由44%提升至70% |
評測結果
來源指出，在23項開源評測基準中，LingDT-Decision-1.0 的綜合評分超過 Microsoft-Decision-1、Jev1.13.0 等熱門決策模型，其中27B版本在同參數模型中取得最高準確率。綜合評分以90%單選評分加上10%多選評分計算。在多選任務上，4B與27B版本的準確率超過 Microsoft-Decision-1、Jev1.13.0、Star-lux 等16個決策模型；單選任務則位居第一梯隊。
編輯觀察
從來源資訊看，LingDT-Decision-1.0 的核心價值在於將模型輸出從「先生成結構化答案、再做後續解析」，轉變為「在限定選項中直接判斷」，減少格式問題並簡化解析與校驗流程。不過，上述成績多來自來源所述的內部測試與開源評測，實際部署效果仍需企業依自身業務場景驗證。
Reference Link : news.aibase.com
