蚂蚁数科发布LingDT-Decision-1.0决策模型：准确率超越微软Jev，Token成本降低90%
2026/10/22 18:54阅读量 2
10月22日，蚂蚁数科正式发布专为快速决策打造的国产决策模型LingDT-Decision-1.0。该模型提供4B和27B两个版本，在23项开源评测基准中综合评分超过Microsoft-Decision-1、Jev 1.13.0等主流模型，其中27B版本在同参数规模下取得最高准确率。实测显示，相比传统大语言模型，该模型可将Token消耗降低超90%，响应时效提升10倍，并首创支持原生多选与按序决策能力，更适配企业复杂业务场景。
事件概述
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任务设计，旨在解决传统大语言模型（LLM）在处理高频结构化决策时存在的链路长、成本高及性能不稳定等问题。目前，模型已在蚂蚁数科 DTMaaS 平台上线，开发者可限时免费体验。
核心性能与优势
- 效率与成本优化：在客服、风控、金融等真实业务场景测试中，LingDT-Decision-1.0 将 Token 消耗降低超 90%，响应时效提升约 10 倍。
- 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：在意图识别、工具调用等任务中，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%。
- 评测表现优异：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，准确率超过 Microsoft-Decision-1、Jev 1.13.0、Fastino/GLiDE 等热门决策模型。其 4B 和 27B 版本在多选任务上的准确率也超越了包括 Star-lux 在内的 16 个决策模型。
技术创新：原生多选与按序决策
LingDT-Decision-1.0 区别于传统 LLM “先生成文本再解析”的模式，采用“在限定选项中直接做判断”的核心思路，减少了格式校验流程。此外，该模型首创两大功能以适配企业复杂需求：
- 原生多选能力：允许一项任务同时命中多个候选答案，适用于多标签识别、复合意图判断及工具组合选择，解决了单选模型易漏掉次要诉求的问题。
- 按序决策（DAG）能力：能够根据任务间的依赖关系完成多步决策。例如在用户提出“退款、关闭续费、补开发票”等多重需求时，模型能识别各事项的执行顺序（如先核验退款，再执行关闭续费），更贴合金融、风控等实际业务流程。
产品规格
- 版本：提供 4B 和 27B 两种参数规模。
- 定位：专注于意图判断、工具选择、规则分类和结果打分等高频决策型任务，具备更强的稳定性和更低的维护成本。