蚂蚁数科发布决策模型LingDT，Token消耗降超90%

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打造，针对结构化决策任务进行了深度优化，具备准确率更高、响应更快、Token成本更低等优势，主要面向产业 AI 应用场景。

LingDT-Decision-1.0 提供 4B 和 27B 两个参数版本。目前，该模型已在蚂蚁数科 DTMaaS 平台上线，开发者可限时免费体验。

根据蚂蚁数科在客服、风控、金融等真实业务场景的测试数据，在处理相同任务时，LingDT-Decision-1.0 相比传统大语言模型可将 Token 消耗降低超过 90%，响应时效提升 10 倍，同时保持更优的性能表现。

在 23 项开源评测基准中，LingDT-Decision-1.0 的综合评分超越了 Microsoft-Decision-1、Jev 1.13 等决策模型，其 27B 版本在同参数规模模型中取得了最高准确率。

专为决策设计：摆脱逐字生成，推理效率跃升

在企业实际业务中，存在大量高频决策场景。以客服业务为例，当系统接收到“订单三天未发货”的投诉时，模型需要即时完成多项判断：确定问题类型（退款、催单还是投诉）、评估紧急程度、匹配处理部门，以及判断是否触发人工接管。

传统大语言模型在应对此类任务时存在固有缺陷。它们通常依赖自回归逐字（Token）生成文本后再由系统解析，链路长、延迟高、计算成本高昂，且输出格式容易失真。决策模型的核心逻辑则完全不同：它不负责自由生成文本，而是将任务转变为“在限定选项中直接做出最优判断”。

这种结构性变革带来了显著的业务收益：

• 数据标注：相比 DS-V4-flash，Token 消耗减少约 97%，处理效率提升近 10 倍。
• 智能客服：相比 Qwen-3.7-flash，Token 消耗降低 90%，响应时效翻倍，风险识别准确率从 76% 提升至 89%。
• 金融风控：在复合意图识别、工具调用及幻觉检测等任务中，处理时效提升约 5 倍，工具组合完全匹配率提升约 2.6 倍，幻觉召回率从 44% 上升至 70%。

统一的决策模型架构降低了系统维护复杂度，让单一模型得以适配多类判定任务，易于规模化复用。

首创原生多选与按序决策能力

相比现有主流决策模型，LingDT-Decision-1.0 最大的特点在于推出了原生多选与按序决策（DAG）机制，更贴合复杂产业流程。

真实业务通常不仅需要“单选”，而是需要“识别一组动作并排定执行次序”。例如，当用户表达“我要退款、关闭续费、补开发票，但不要注销账号”时，传统单选模型往往只能捕获退款诉求，容易遗漏其他意图。而支持原生多选的模型可一次性完成全意图识别；按序决策则能依据依赖关系规划步骤——先执行退款校验，同步发起关闭续费，退款完成后再行开票。

评测数据显示，在 23 项开源评测基准中，LingDT-Decision-1.0 的 27B 版本综合评分（90% 单选 + 10% 多选）位居第一。在多选任务评测上，4B 与 27B 版本的准确率超越了包括 Microsoft-Decision-1、Jev 1.13.0 在内的 16 款模型，展现出极强的产业落地性价比。