蚂蚁数科发布决策模型LingDT-Decision-1.0，含4B与27B两版
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载模型定位与上线情况
LingDT-Decision-1.0由蚂蚁数科在10月22日发布，分为4B与27B两个参数规模，已在蚂蚁数科DTMaaS平台上线，开发者可限时免费体验。它与生成式大模型的目标不同：不产出文本，而是在给定候选项中直接给出判断，因此适合意图判断、工具选择、规则分类和结果打分这类企业高频决策任务。材料称，这种“在限定选项中直接做判断”的思路，省去了先生成结构化答案再解析校验的环节，减少了输出格式不稳定带来的问题，接入与维护也更省力，一套模型可适配多类判定任务。
成本与时效的实测数据
蚂蚁数科团队在客服、风控、金融等真实业务场景做了对比测试。整体上，处理同类任务时相比大语言模型，Token消耗降低超90%，响应时效提升10倍。分场景看：数据标注场景相比DS-V4-flash，Token消耗降低约97%，处理时效提升约10倍；智能客服场景相比Qwen-3.7-flash，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%；金融应用场景中，意图识别、工具调用、幻觉检测等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%。
多选与按序决策能力
企业实际需求往往不是“选一个”，而是“识别一组事项并按顺序执行”。材料举例：用户提出退款、关闭续费、补开发票但不要注销账号时，单选模型容易只抓住退款这一主诉求。LingDT-Decision-1.0的原生多选能力允许一项任务同时命中多个候选，适配多标签识别、复合意图与工具组合；按序决策（DAG）能力则按任务间依赖关系完成多步判断，例如先核验再退款、关闭续费可先执行、发票处理等待退款结果。这两项能力被材料称为全球首发，更贴近金融、风控、客服的真实业务流程。
评测表现与对比对象
在覆盖23项主流开源评测基准的测试中，LingDT-Decision-1.0的27B版本综合评分（90%单选评分加10%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；同参数模型中准确率最高。多选任务上，4B与27B两个版本的准确率超过Microsoft-Decision-1、Jev 1.13.0、Star-lux等16个决策模型；单选任务上处于第一梯队。材料同时给出4B/27B在单选与多选两个维度上的位置图，称原生多选能力领先明显。
为什么值得看
决策类任务占企业AI调用量的大头，这款模型用“直接选答案”替代生成文本，成本与延迟数据具体，值得关注产业落地路径。
信源1 家
关键事实
相关 · 模型
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。