模型进入纯过日子时代，蚂蚁数科发布决策模型LingDT-Decision-1.0

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，尤其适合产业AI场景。LingDT-Decision-1.0提供4B和27B两个版本，目前，模型已经在蚂蚁数科 DTMaaS 平台上线，开发者可限时免费体验。

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。

相比于其他决策模型，LingDT-Decision-1.0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的综合评分超过了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。

专为决策任务设计，Token消耗直降超90%，更快更准

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-1.0 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，Token消耗降低90%，处理时效提升约1倍，同时风险识别准确率由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，处理时效提升约5倍，工具组合完全匹配率达提升约 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。

打造下一代决策式模型，两大功能全球首发

相比其他决策模型，蚂蚁数科 LingDT-Decision-1.0 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版本综合评分（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。