跳到主要内容智
智东西10月22日报道，今日，蚂蚁数科发布决策模型LingDT-Decision-1.0。该模型提供4B和27B两个版本，专为客服、风控、金融等产业AI场景中的高频决策任务打造，首创推出原生多选与按序决策（DAG）功能。目前，该模型已上线蚂蚁数科DTMaaS平台，开发者可限时免费体验。决策模型不生成长篇文本，直接返回选项、分数或判断结果，可用于意图识别、工单路由、工具选择、模型路由和风险判断等。这类模型近期因Jev走红而受到持续关注。继Jev之后，微软、Perplexity等厂商也相继推出了自己的决策模型。LingDT-Decision-1.0与Jev都面向结构化决策，但侧重点有所不同。Jev更为通用，主要面向开发者和软件系统中的通用决策层，常用于路由请求、选择工具、安排Agent流程或触发人工审核；LingDT-Decision-1.0则更专用，主要面向客服、风控和金融等企业业务中的复合决策与多步骤流程。在模型能力上，Jev主要通过预设选项完成选择、评分或真假判断。其中，Choice通常返回一个最高概率选项，也可以通过并行提出多个问题实现多项判断。LingDT-Decision-1.0则能够同时识别多个诉求，并按照任务之间的依赖关系，调整处理顺序。蚂蚁数科团队的测试显示，在数据标注等场景中处理同样任务时，LingDT-Decision-1.0相比DeepSeek-V4-flash，可将Token消耗降低97%，响应时效提升约10倍，同时保持更优的性能表现。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 1.13.0等热门决策模型，27B版本在同参数模型中取得最高准确率。
企业业务中存在大量不需要生成完整答案、但需要快速完成判断的任务。例如，在客服场景中，用户称“这个订单已经三天没有发货，请尽快处理”，AI需要判断这是催单、退款还是投诉，判断工单紧急程度，选择归属部门，并识别是否需要人工接管。传统大语言模型通常需要先生成结构化答案，再由后续程序进行解析和校验。LingDT-Decision-1.0则可以在限定选项中直接完成判断，减少输出格式不稳定带来的影响。蚂蚁数科公布的测试数据显示，在数据标注场景中，LingDT-Decision-1.0相比DeepSeek-V4-flash，其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，其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%。在金融应用场景中，LingDT-Decision-1.0可用于意图识别、工具调用和幻觉检测。测试显示，相关任务处理时效提升约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%。测试结果显示，LingDT-Decision-1.0在客服、风控和金融等场景中均表现出低Token消耗、低延迟和较高准确率。同一模型还可以覆盖多类决策任务，便于企业在不同业务流程中复用。
蚂蚁数科称，LingDT-Decision-1.0除了支持判断、单选、分类和评级等基础能力外，还首创推出原生多选与按序决策能力，适配企业业务中复杂、多步骤的决策需求。原生多选能力可以让模型在一项任务中同时命中多个候选选项，适用于多标签识别、复合意图和工具组合。例如，用户提出“我要退款、关闭续费、补开发票，但不要注销账号”，模型可以同时识别退款、关闭续费和补开发票等多个诉求。按序决策则可以根据任务之间的依赖关系完成多步判断。例如，退款需要先核验，关闭续费可以立即执行，发票处理可能需要等待退款结果。相比只返回一个选项的单项决策，这种方式更贴近企业业务中的真实处理流程。在23项主流开源评测基准中，LingDT-Decision-1.0的27B版本综合评分位居第一。该评分由90%的单选成绩和10%的多选成绩构成。蚂蚁数科称，LingDT-Decision-1.0的准确率超过Microsoft-Decision-1、Jev 1.13.0和Fastino/GLiDE等决策模型。其中，在多选任务上，4B和27B版本的准确率超过Microsoft-Decision-1、Jev 1.13.0、Star-lux等16个决策模型；在单选任务上，两个版本模型也处于第一梯队。
决策模型为意图识别、任务分类、工具选择和风险判断等高频任务提供了新的解决方案。由于不需要生成长篇文本，它可以直接返回结构化结果，从而降低Token成本，提升响应速度。此次蚂蚁数科发布LingDT-Decision-1.0，则将决策模型进一步放到客服、风控和金融等企业业务流程中进行验证。原生多选和按序决策能力，也让模型能够处理复合意图和多步骤任务。随着更多决策模型进入实际业务，其性能表现和适用边界也将得到进一步检验。内容来自公众号，可前往微信查看原文。