又一国产决策模型发布！准确率超过微软和Jev等决策模型
内容提要
蚂蚁数科发布决策模型LingDT-Decision-1.0，提供4B和27B版本，专为产业AI高频决策任务设计，直接限定选项判断而非生成文本。相比大模型，Token消耗降低超90%，响应快10倍。首创原生多选与按序决策能力，适配复杂业务流程。在23项基准评测中综合评分领先，27B版本同参数准确率最高，已在客服、风控、金融等场景测试。
延伸解读
决策模型与生成式大模型的分工
文章指出，传统大语言模型需逐Token推理并生成文本，链路长、成本高且易出错。LingDT-Decision-1.0则直接在限定选项中做判断，不生成文本，从而降低Token消耗并提升响应速度。这提示读者：对于意图判断、规则分类等高频决策任务，专用决策模型可能比通用大模型更高效，但两者并非替代关系，而是适用于不同任务类型。
多选与按序决策更贴近企业流程
企业场景中常见复合诉求，如用户同时要求退款、关闭续费、补开发票。单选模型易遗漏次要需求，而LingDT-Decision-1.0支持原生多选，可一次识别所有诉求；按序决策（DAG）还能依据依赖关系安排执行顺序。文章认为这更贴合金融、风控、客服等真实业务流程，有助于提升准确率和最终处理效果。
评测领先与场景收益需结合看待
在23项开源基准中，LingDT-Decision-1.0的27B版本综合评分第一，多选任务上4B和27B版本超过多个对比模型。真实场景测试也显示Token消耗降低、时效提升和准确率改善。但文章未披露评测细节和全部场景数据，读者应关注其在实际业务中的稳定性和泛化能力，而非仅凭基准排名做判断。
Q&A
蚂蚁数科发布的LingDT-Decision-1.0是什么？有哪些版本？
LingDT-Decision-1.0是蚂蚁数科于10月22日发布的决策模型，专为产业AI高频决策任务设计，提供4B和27B两个版本，已在蚂蚁数科DTMaaS平台上线，开发者可限时免费体验。
LingDT-Decision-1.0相比大语言模型在成本和速度上有什么优势？
在客服、风控、金融等真实业务场景测试中，LingDT-Decision-1.0相比大语言模型，Token消耗降低超90%，响应时效提升10倍，且性能表现更优。
LingDT-Decision-1.0在哪些评测中表现如何？
在23项开源评测基准中，LingDT-Decision-1.0综合评分超过Microsoft-Decision-1、Jev 1.13.0等热门决策模型，27B版本在同参数模型中准确率最高；多选任务上4B和27B版本准确率超过16个决策模型，单选任务位居第一梯队。
LingDT-Decision-1.0首创了哪些能力？适用于什么场景？
首创原生多选与按序决策（DAG）能力，能同时识别多个诉求并按依赖关系执行多步决策，更适配企业复杂业务流程，如客服、风控、金融等场景。
LingDT-Decision-1.0在真实业务场景中的效果如何？
在数据标注场景，相比DS-V4-flash，Token消耗降低约97%，处理时效提升约10倍；在智能客服场景，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%提升至89%；在金融应用场景，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%提升至70%。
LingDT-Decision-1.0与传统大模型在决策任务上的核心区别是什么？
传统大模型需要逐Token推理并生成文本，链路长、成本高且易出错；LingDT-Decision-1.0不生成文本，而是在限定选项中直接做判断，减少输出不稳定和解析校验流程，更适合高频决策任务如意图判断、工具选择、规则分类和结果打分。
