蚂蚁数科发布专为决策打造的LingDT-Decision-1.0，提供4B与27B两档
据量子位报道，10月22日蚂蚁数科推出决策模型LingDT-Decision-1.0。该产品面向需要快速判定的业务场景，主打准确率更高、响应更快、Token开销更省，结构化决策任务是其核心战场，产业AI被列为最契合的落地领域。模型划分4B与27B两个参数规格，当前已在蚂蚁数科DTMaaS平台对外开放，开发者可在一段时间内免费试用。
蚂蚁数科团队在客服、风控、金融等真实业务环境中做了对比测试。相同任务下，LingDT-Decision-1.0与大语言模型相比，Token用量缩减幅度超过90%，响应速度提升10倍，同时性能表现更佳。与其他决策模型横向对比时，该模型率先提供原生多选以及按序决策两项能力，被认为更贴合企业实际作业流程。在23项开源评测基准中，它的综合得分高于Microsoft-Decision-1、Jev 1.13.0等热门产品，其中27B版本在同参数规模模型中拿到最高准确率。
官方图示说明，LingDT Decision的4B/27B版本覆盖Jev、MS Decision、GLiDE等相关尺寸决策模型的优势区间，综合性价比突出。
token直降九成以上 在客服、编码标注与金融场景实测提速
企业日常运转中，决策型任务出现频率极高。以客服为例，用户发来“订单三天未发货，请尽快处理”后，AI要连续完成多项判断：诉求属于退款、催单还是投诉，工单是否紧急，应转给哪个部门，以及是否需要人工介入。大模型在这类任务上短板明显——它必须逐个Token推演再生成文本，链路长、成本高、稳定性不足，也容易出错。决策模型的思路则不同，它不负责输出文字，只求快速而准确地下判断，因此天然适合意图识别、工具选择、规则分类、结果打分等高频企业任务。
LingDT-Decision-1.0当前已在蚂蚁数科的智能客服、安全风控、金融业务中启动测试。其技术路径是把以往“先生成结构化答案、再做解析”的做法，改成“在既定选项集合里直接拍板”，由此规避输出格式波动带来的问题，后续的解析与校验环节也随之简化。
实测数据分布于多个场景：数据标注任务中，对照DS-V4-flash，Token消耗下降约97%，处理速度约为原来的10倍；智能客服任务中，对照Qwen-3.7-flash，Token消耗减少90%，处理时效翻倍，风险识别准确率从76%升至89%；金融业务中，意图识别、工具调用、幻觉检测等任务的时效提升约5倍，工具组合完全匹配率提高到约2.6倍，幻觉召回率由44%到达70%，风险发现灵敏度增强。整体而言，该模型在多个真实业务里稳定呈现成本更低、响应更快、判定更准的特征，并且一套模型即可支撑多类判定任务，接入与维护更省事，跨场景复用和推广也更容易。
原生产品多选与按序决策(DAG)面向复杂多步骤业务
与其他决策模型相比，LingDT-Decision-1.0更强调围绕企业真实场景设计。除了判断、单选、分类和评级等基础能力，它还率先引入原生多选与按序决策（DAG）两项功能，以适应复杂、多环节的业务需求。
企业实际遇到的往往不是“从一堆选项里挑一个”，而是“先找出一组待办事项，再排定执行顺序”。例如用户说：“我要退款、关闭续费、补开发票，但不要注销账号。”只用单选，系统可能仅抓住“退款”这一主诉求，其余需求被漏掉；采用多选，则可一次性捕获全部诉求；按序决策还能继续推理依赖关系：退款需要先做核验，关闭续费可以先执行，发票处理则可能要等退款结果出来。可见多选加上按序，直接对应真实业务流程，对准确率与最终处置效果的提升更明显。
具体而言，原生多选使一项任务能同时命中多个候选项，适配多标签识别、复合意图、工具组合等需求；按序决策则让模型沿着任务间的依赖关系完成分步判定，更接近金融、风控、客服等场景的作业逻辑。
23项基准综合评分居首
在23项主流开源评测基准上，LingDT-Decision-1.0的27B版本拿下综合评分第一（计算方式为90%×单选评分+10%×多选评分），准确率超过Microsoft-Decision-1、Jev 1.13.0、Fastino/GLiDE等热门决策模型。多选任务方面，其4B与27B两个版本的准确率表现优于Microsoft-Decision-1、Jev 1.13.0、Star-lux等16个决策模型，显示原生多选在多标签与组合判定类任务中的优劣势区分能力。单选任务方面，该模型处于第一梯队。
官方图示以单选/多选两个维度展开，说明LingDT Decision 4B/27B在单选与判断能力上属于Tier-1，领先绝大多数同尺寸模型，原生多选能力则呈断档式领先。
小结：LingDT-Decision-1.0把大模型从“生成答案再解析”拉回“在选项中直接判断”，凭原生多选与按序决策两项首发能力，在客服、风控、金融等业务测试中把Token成本压低九成以上、时效提升数倍，并在23项开源基准综合评分上超过微软与Jev的同类模型，为企业高频决策任务提供了新选项。