决策成本降 90%：蚂蚁数科发布 LingDT-Decision-1.0

据 Woofun AI 消息，10 月 22 日蚂蚁数科正式发布专为快速决策打造的 ，旨在解决产业 AI 场景中结构化任务处理效率低下的痛点。该模型提供 4B 和 27B 两个版本，目前已上线蚂蚁数科 平台，开发者可限时免费体验。

这一发布标志着决策模型从通用文本生成向高频、高精度业务判断的范式转移，核心优势在于准确率更高、响应更快以及 Token 成本更低，直接针对企业实际应用中存在的链路长、成本高等短板进行优化。

在真实业务场景的实测中，LingDT-Decision-1.0 展现出显著的性能优势。Woofun AI 整理数据显示，在客服、风控、金融等高频决策类任务中，相比传统大语言模型，该模型的 Token 消耗降低超 90%，响应时效提升 10 倍。传统大语言模型通常需逐字推理再生成文本，易出现格式不稳定和错误，而 LingDT-Decision-1.0 的核心思路是将'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'，从而简化解析校验流程。

具体而言，在数据标注场景中，相比 ，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 ，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，针对意图识别、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%，风险发现更为敏感。

在 23 项开源评测基准中，其综合评分超过 、0 等热门决策模型，其中 27B 版本在同参数模型中取得最高准确率，4B 和 27B 版本在单选任务上均位居第一梯队。

更关键的变量在于，LingDT-Decision-1.0 首创支持原生多选与按序决策（DAG）能力，以适配复杂业务逻辑。企业场景中普遍存在'识别一组要处理的事项并按顺序执行'的需求，而非简单的'选一个'。例如，当用户提出'退款、关闭续费、补开发票，但不注销账号'时，单选模型往往只能识别'退款'这一主诉求，容易漏掉其他需求。而多选能力能一次识别所有诉求，按序决策则能进一步判断任务依赖关系：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。

这种能力更贴近金融、风控、客服等真实业务流程，提升了多标签识别、复合意图和工具组合的准确率。在评测中，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、 等 16 个决策模型。在多选任务上，其 4B 和 27B 版本的准确率表现同样领先，体现出原生多选能力在多标签与组合判定任务中的优势，使得一套模型即可适配多类判定任务，接入更简单、维护更省力。

LingDT-Decision-1.0 通过成本更低、响应更快、判断更准的特性，重新定义了决策模型在产业 AI 中的应用边界。其原生多选与按序决策能力解决了传统模型在复杂多步决策中的局限性，显著提升了业务处理的准确性和效率。随着 DTMaaS 平台的推广，该模型有望在更多场景中实现复用和推广，推动企业从通用大模型向专用决策模型的演进。这是继通用大模型爆发后，AI 技术在垂直领域精细化落地的又一重要里程碑，预示着决策智能化将成为企业数字化转型的核心驱动力。