蚂蚁数科打造下一代决策模型，首发两大功能。

　　10月22日，蚂蚁数科正式发布决策模型 LingDT-Decision-1.0。该模型专为快速产业决策打造，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，尤其适合企业AI应用场景。

　　相比于其他决策模型，LingDT-Decision.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的性能超过了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。

　　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。

　　上图 ：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。 决策能力综合指数及相关评测基准，见文末备注

　　LingDT-Decision.0提供4B和27B两个版本。

　　目前，模型已经在蚂蚁数科DTMaaS平台(https://maas.antdigital.com/models)上线。开发者可限时免费体验。

　　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，天然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.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，也让原本繁琐的解析和校验流程变得更加简单。

　　例如，在数据标注场景中，相比 DS-V4-flash，Token 成本降低约 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 成本降低约 90%，处理时效提升约 1 倍，同时准确率更高——风险识别准确率由 76% 提升至 89%。

　　在金融应用场景中，在意图识别、工具调用、幻觉检测等任务中，相比于Qwen-8B等生成式模型，处理时效提升约5倍，工具组合完全匹配率达约 2.6 倍，同时幻觉召回率由 44% 提升至 70%，风险发现更敏感。

　　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。

　　相比其他决策模型，蚂蚁数科 LingDT-Decision.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。

　　在原生多选能力上，LingDT-Decision-1.0允许一项任务同时命中多个候选，适配多标签识别、复合意图和工具组合等需求；在按序决策能力上，模型能够按照任务之间的依赖关系完成多步决策，更贴近金融、风控、客服等真实业务流程。

　　覆盖23项主流开源评测基准的测试结果显示，LingDT-Decision-1.0的27B版本的综合性能（90%x单选评分+10%x多选评分）位居第一，准确率超过Microsoft-Decision-1、Jev 1.13.0、Fastino/GLiDE等热门决策模型。其中，在多选任务上，LingDT-Decision-1.0的4B和27B版本的准确率表现超过Microsoft-Decision-1Jev 1.13.0、Star-lux等16个决策模型，体现出原生多选能力在多标签与组合判定任务中的优势。在单选任务上，位居第一梯队。

　　上图 通过单选/多选能力的2维图展开 体现了LingDT Decision 4B/27B 在单选&判断能力 属于Tier，超越绝大多数同尺寸模型；而 “原生多选能力” 断档式领先。

　　备注

　　决策能力指数 = 0.9*单选能力 + 0.1*多选能力

　　单选能力基于13 项主流开源Bench的平均：JEVal、OpenDecision、SemIf44、Scienthoon-pooled、WANLI-256、TypeSafe-102、Nimble-282、JevBench-231、BANKING77-3080、Transfer-v9、Decision-v7、Transfer-v4、MASSIVE

　　多选能力基于10 项主流开源Bench的平均：SATA、MultiRC、Jigsaw、BlendX、BRIGHTER-eng、BRIGHTER-zh、GoEmotions、ECtHR-A、ECtHR-B、UNFAIR-ToS

关注同花顺财经（ths518），获取更多机会