蚂蚁数科发布 LingDT-Decision-1.0：Token 降超 90%

3 days ago AI闪点

10 月 22 日，蚂蚁数科发布决策模型 LingDT-Decision-1.0，提供 4B 和 27B 两个版本，已在 DTMaaS 平台上线，开发者可限时免费体验。官方称在客服、风控、金融等真实业务场景中处理相同任务时，相比大语言模型 Token 消耗降低超 90%，响应时效提升 10 倍。

面向判断而不是生成文本

决策模型与通用大模型的分水岭在任务目标。前者不生成文本，只在限定选项中直接做判断，用于意图判断、工具选择、规则分类和结果打分这类高频决策型任务。客服场景里一条订单三天了还没发货，系统要连续判断问题类型是退款、催单还是投诉，工单是否需要优先处理，该派给哪个部门，以及要不要转人工。通用大模型逐 token 推理再生成输出文本，链路长、成本高，输出格式也不稳定，下游还得再做解析和校验。

23 项基准超过同类决策模型

在 23 项开源评测基准中，LingDT-Decision-1.0 的综合评分超过 Microsoft-Decision-1、Jev 1.13 等热门决策模型，27B 版本在同参数模型中取得最高准确率。它同时首创原生多选与按序决策能力，能处理一句指令里含多个意图、多个参数的复杂链路，这在企业场景里比单一分类更实用。

三个场景的实测数字

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，风险识别准确率从 76% 提升到 89%。金融应用场景里意图识别、工具调用、幻觉检测的处理时效提升约 5 倍，工具组合完全匹配率提升约 2.6 倍，幻觉召回率从 44% 提升到 70%。蚂蚁在模型路线上一直同时压开源与自研，蚂蚁百灵开源 Ling-3.1-flash 走通用生成路线，决策模型补上的是企业后台那层高频判断。

蚂蚁数科的思路是把大模型从先生成结构化答案再解析，改为在限定选项中直接做判断，输出被严格约束在预定义结构里，字段确定、格式可校验，不给自由发挥留空间，解析和校验流程也跟着简化。

开源决策模型这一年的路线可以对照 StartLux 拿下 69.1 分的方法，同为不生成文本、只做判断的路线，评测口径可以横向对照。

延伸阅读

AI 自学笔记 每天更新 AI 前沿动态，订阅 RSS，或按 Ctrl/⌘+D 收藏本站，明天见。

继续读

同一批更新里这几篇值得一看：

想快速查定义？对应的词条在这里：

  • Qwen词条 · AI 自学笔记
  • AI Agent词条 · AI 自学笔记

Related News