10月22日，蚂蚁数科推出决策模型LingDT-Decision-1.0，提供4B、27B两个参数规模版本，聚焦智能客服、安全风控、金融等场景。该模型聚焦意图识别、任务分类、工具选择及风险判断等结构化决策，上线DTMaaS平台供开发者限时免费体验。基于测试结果，其Token消耗较通用大语言模型降低超90%，处理速度最高提升约10倍；在23项开源基准评测中，27B版本综合评分超越微软Microsoft-Decision-1、JEV 1.13.0及部分主流决策模型。针对企业高频判断需求，该模型通过直接判断候选选项、减少文本生成环节，显著降低调用成本与处理时延，在数据标注场景下Token消耗降低约97%、速度提升10倍，智能客服场景下Token消耗降90%、速度提升1倍、风险识别准确率提升至89%，金融场景下速度提升5倍、工具匹配率提升2.6倍。此外，其新增多选与按序决策能力，可处理含多目标、存在执行依赖的复合业务，覆盖复杂决策场景。目前模型已在多类业务开展测试，为高频决策任务提供了高效、低成本的决策方案。
--91likeyou---
通用大语言模型同样能够处理这些任务，但在一些实现方式中，需要先生成文本或结构化答案，再由业务系统解析和校验。对于调用频率较高、选项相对固定的业务，这一过程可能增加 Token 消耗和处理时间。
LingDT-Decision-1.0 采用了不同的处理思路，将部分需要生成答案再解析的任务，转变为在预设候选选项中直接进行判断，从而减少不必要的文本生成及后处理环节。
蚂蚁数科披露，目前该模型已在智能客服、安全风控及金融应用等业务中开展测试。其中，在数据标注场景中，相比 DS-V4-flash，LingDT-Decision-1.0 的 Token 消耗降低约 97%，任务处理速度提升约 10 倍。在智能客服场景中，相比 Qwen-3.7-flash，Token 消耗降低约 90%，处理速度提升约 1 倍，风险识别准确率由 76%提高至 89%。
金融应用方面，测试覆盖意图识别、工具调用和幻觉检测等任务。
蚂蚁数科数据显示，模型在相关任务中的处理速度提升约 5 倍，工具组合完全匹配率提高约 2.6 倍，幻觉召回率由 44%提升至 70%。
支持多选和按序决策，处理复合业务需求
除常见的单选、分类和评级任务外，LingDT-Decision-1.0 还增加了原生多选和按序决策能力，用于处理包含多个目标或存在执行依赖关系的业务请求。
以智能客服为例，假设用户提出：“我要退款、关闭续费、补开发票，但不要注销账号。”
对于只支持单一意图分类的系统而言，如果将整段请求归入退款类别，就可能遗漏关闭续费和补开发票等其他需求。
LingDT-Decision-1.0 的多选能力允许同一请求同时匹配多个候选结果，使系统能够识别复合意图，并为后续工具调用提供判断依据。
按序决策则进一步处理任务之间的依赖关系。针对上述请求，系统不仅需要识别多个操作，还需要判断哪些任务可以独立执行，哪些任务必须等待前置条件满足。例如，退款前需要完成订单核验，发票处理可能需要参考退款结果，而关闭自动续费可能不依赖退款流程。
这一功能采用有向无环图（DAG）的任务依赖关系表示方式，主要面向多步骤决策场景。
不过，识别任务依赖关系并不等于模型能够独立完成全部业务操作。对于涉及资金、账户权限及风险控制的任务，仍需要与企业现有业务规则、权限系统及执行工具配合。
23 项开源基准测试，27B 版本综合评分超过多款决策模型
在模型能力评测方面，蚂蚁数科公布了 LingDT-Decision-1.0 与其他决策模型的对比结果。
据其介绍，相关评测覆盖 23 项开源基准，采用单选评分占 90%、多选评分占 10%的加权方式计算综合成绩。在这一评测设置下，LingDT-Decision-1.0 的 27B 版本综合评分位居参评模型首位，高于 Microsoft-Decision-1、Jev 1.13.0 及 Fastino/GLiDE 等模型。
具体而言，在多选任务测试中，LingDT-Decision-1.0 的 4B 和 27B 版本准确率均超过包括 Microsoft-Decision-1、Jev 1.13.0 及 Star-lux 在内的 16 款参评决策模型。单选任务方面，该模型也取得了相对靠前的成绩。
近期，面向固定选项判断的决策模型开始受到关注。微软 Microsoft-Decision-1、Jev 等模型均采用了与通用文本生成不同的技术路线，尝试通过直接判断候选结果来降低部分决策任务的时延和调用成本。
这类模型与通用大语言模型并不完全构成替代关系。前者侧重解决候选范围明确、结果能够结构化表达的任务，后者则适用于开放式问答、复杂内容生成和需要灵活推理的场景。
对于企业而言，决策模型的潜在价值在于将部分高频、重复性的判断任务从通用大语言模型中分离出来，减少生成式处理的开销。但在真实生产环境中，除了分类准确率，还需要考察模型对模糊请求、异常输入、错误选项及业务规则变化的适应能力。
但无论如何，LingDT-Decision-1.0 的发布，还是为企业高频决策任务提供了新的模型选择。
🔥 热词：#Decision · #23 · #10 · #LingDT · #27B · #又一国产决策模型发布 · #面向企业高频判断任务 · #项开源基测准确率超过微软和