共计 1242 个字符，预计需要花费 4 分钟才能阅读完成。
10 月 22 日, 蚂蚁数科正式发布决策模型 LingDT-Decision-1.0。
导语:10 月 22 日, 蚂蚁数科发布决策模型 LingDT-Decision-1.0, 提供 4B 与 27B 两个版本, 已在 DTMaaS 平台上线并限时免费体验。它不追求生成长篇文本, 而是把“在限定选项中做判断”作为核心, 瞄准客服、风控、金融等高频决策场景。
📌 从“写答案”转向“做判断”
企业日常有大量判断任务: 一条留言是催单、退款还是投诉, 工单派给谁 , 是否需要人工接管。传统大语言模型通常逐 Token 推理再输出文本, 链路长、成本高, 格式不稳定还会增加解析负担。LingDT-Decision-1.0 让模型在有限候选中直接给出结果, 减少“先生成、再解析”的环节, 更适合意图判断、工具选择、规则分类和结果打分。
从已披露信息看, 这一变化更值得关注的, 不只是表面动作本身, 还包括其对后续行业节奏、用户预期和市场竞争的连锁影响。
🔍 成本与响应速度是主打卖点
蚂蚁数科称, 在客服、风控、金融等真实业务场景测试中 , 处理同类任务时该模型相比大语言模型可降低超过 90% 的 Token 消耗, 响应时效提升 10 倍。公布的部分对比数据包括:
- 数据标注: 对比 DS-V4-flash,Token 消耗降低约 97%, 时效提升约 10 倍;
- 智能客服: 对比 Qwen-3.7-flash,Token 消耗降低 90%, 风险识别准确率由 76% 升至 89%;
- 金融应用: 意图识别、工具调用等任务时效提升约 5 倍, 工具组合完全匹配率提升约 2.6 倍。
这些数字来自发布方特定场景测试, 不能直接等同于所有企业环境的表现 , 但方向明确: 规则相对清晰的高频判断, 不一定需要大模型长篇输出。
💡 原生多选与按序决策更贴近业务
企业需求常常不是“只选一个”。 用户可能同时提出退款、关闭续费、补开发票 , 又明确不注销账号。单选容易只抓主诉求, 多选才能一次识别全部事项; 按序决策则判断依赖关系, 比如退款先核验、关闭续费可先执行、发票处理等待退款结果。LingDT-Decision-1.0 支持原生多选和按序决策 (DAG), 官方称这两项能力在同类决策模型中属于首创。
📊 基准成绩靠前, 落地效果仍待观察
在 23 项开源评测基准中,27B 版本综合评分位居第一 , 准确率超过 Microsoft-Decision-1、Jev 1.13.0、Fastino/GLiDE 等模型; 多选任务上,4B 和 27B 版本表现超过包括上述模型及 Star-lux 在内的 16 个决策模型。评测成绩与真实业务效果之间仍有距离, 数据分布、部署方式和业务流程都会影响最终表现。
整体看,LingDT-Decision-1.0 把决策模型推向更明确的产业入口: 以更低推理成本完成高频判断, 再用多选和按序能力覆盖复杂流程 。它能否在客服、风控、金融之外形成规模化复用, 取决于后续真实场景的稳定性和接入成本。决策模型要成为产业 AI 的常规组件, 最终仍要靠可验证的业务收益说话。
