蚂蚁数科发布LingDT-Decision-1.0决策模型：准确率超越微软与Jev，Token成本降低超90%
2026/10/22 17:07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等热门模型，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。该模型专为结构化决策任务设计，旨在解决传统大语言模型（LLM）在高频决策场景中链路长、成本高、稳定性差的问题。目前，模型已在蚂蚁数科 DTMaaS 平台上线，提供 4B 和 27B 两个版本供开发者限时免费体验。
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。例如在数据标注场景中，相比 DS-V4-flash，Token 消耗降低约 97%；在智能客服场景中，相比 Qwen-3.7-flash，Token 消耗降低 90%，风险识别准确率由 76% 提升至 89%。
- 评测表现领先：在涵盖单选、多选等任务的 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。特别是在多选任务上，其 4B 和 27B 版本的准确率表现优于包括 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 区别于传统仅支持单选的决策模型，首创两大功能以适配企业复杂业务流程：
- 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调用，避免漏掉次要诉求。
- 按序决策（DAG）能力：能够根据任务间的依赖关系进行多步决策。例如在处理“退款、关闭续费、补开发票”等多重需求时，模型可判断各步骤的执行顺序（如先核验再退款），更贴近金融、风控等领域的实际工作流。
技术原理
该模型的核心思路是将大模型的输出模式从“先生成结构化文本再做解析”转变为“在限定选项中直接做判断”。这种机制减少了因 LLM 逐字推理带来的格式不稳定问题，简化了后续的解析和校验流程，从而实现了更低成本、更快响应和更高准确率的决策效果。