10 月 22 日，蚂蚁数科正式发布决策模型 LingDT-Decision-1.0。该模型提供 4B 和 27B 两个版本，专为处理结构化决策任务打造，旨在解决传统大语言模型在高频决策场景中链路长、成本高、易出错的痛点。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。
核心优势：降本增效与架构革新
传统大语言模型通常采用“逐字推理生成文本，再进行后续解析”的模式，这在意图判断、规则分类等高频任务中显得冗余且不稳定。LingDT-Decision-1.0 的核心思路是将其转变为“在限定选项中直接做判断”，从而带来显著的性能提升：
- 成本与速度：相比传统大语言模型，Token 消耗降低超 90%，响应时效提升 10 倍。
- 实测数据：
- 数据标注：对比 DS-V4-flash，Token 消耗降低约 97%，处理时效提升约 10 倍。
- 智能客服：对比 Qwen-3.7-flash，Token 消耗降低 90%，处理时效提升约 1 倍，风险识别准确率由 76% 提升至 89%。
- 金融应用：处理时效提升约 5 倍，工具组合完全匹配率提升约 2.6 倍，幻觉召回率由 44% 提升至 70%。
首创技术：原生多选与按序决策（DAG）
为了更好地适配企业真实的复杂业务流程，LingDT-Decision-1.0 在全球首发两项核心能力：
- 原生多选能力：允许一项任务同时命中多个候选项。在面对用户复合诉求（如“退款、关闭续费、补开发票”）时，能一次性精准识别所有需求，避免传统单选模型导致的诉求遗漏。
- 按序决策（DAG）能力：模型能够根据任务之间的逻辑依赖关系，完成多步骤的有序决策。例如判断出“退款需先核验，关闭续费可先执行”，高度契合金融、风控、客服等严谨的业务流转逻辑。
权威评测与行业领先
在覆盖 23 项主流开源评测基准的测试中，LingDT-Decision-1.0 展现了强大的竞争力。其 27B 版本在综合评分（90% 单选评分 + 10% 多选评分）中位居第一，准确率超越了 Microsoft-Decision-1、Jev 1.13.0、Fastino/GLiDE 等热门决策模型。特别是在多选任务上，其 4B 和 27B 版本均展现出显著优势，击败了 16 个主流决策模型。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
