蚂蚁数科发布决策模型LingDT-1.0：Token降90%，准确率超微软
蚂蚁数科推出决策模型 LingDT-Decision-1.0，瞄准产业AI高频判断场景
2026年10月22日，蚂蚁数科正式发布决策模型 LingDT-Decision-1.0，提供 4B 和 27B 两个参数版本。该模型已在蚂蚁数科 DTMaaS 平台上线，开发者可限时免费体验。
决策模型 vs 大语言模型：定位不同，效率差距明显
企业日常运营中存在大量高频决策任务——客服工单分类、风控规则判断、金融意图识别等。传统大语言模型需要逐 Token 推理并生成文本，链路长、成本高，且输出不稳定容易导致解析错误。
决策模型的核心思路是将"先生成结构化答案再解析"转变为在限定选项中直接做判断，省去冗余的生成与校验环节。实测数据显示：
- 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% 提升至 89%
- 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%
首创原生多选与按序决策，更贴合企业真实流程
LingDT-Decision-1.0 在基础判断、单选、分类、评级能力之外，首创推出原生多选与按序决策（DAG）功能。
以典型用户诉求为例："我要退款、关闭续费、补开发票，但不要注销账号。"单选模型往往只能识别"退款"这一主诉求，而多选能力可一次命中所有需求；按序决策还能进一步判断执行顺序——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。
23 项开源评测基准综合评分领先
在覆盖 23 项主流开源评测基准的测试中，LingDT-Decision-1.0 的 27B 版本综合评分（90% 单选 + 10% 多选）位居第一，准确率超过 Microsoft-Decision-1、Jev 1.13.0、Fastino/GLiDE 等热门决策模型。其中：
- 多选任务：4B 和 27B 版本准确率超过 Microsoft-Decision-1、Jev 1.13.0、Star-lux 等 16 个决策模型
- 单选任务：位居第一梯队
对开发者和企业意味着什么？
对产业AI开发者：一套模型适配多类判定任务，接入更简单、维护更省力，Token 成本大幅降低意味着规模化部署的经济性显著提升。
对企业业务团队：决策模型天然适合承担高频、规则明确的判断型任务，释放大语言模型用于更复杂的生成与推理工作，实现算力资源的分层调度。
对模型选型决策者：在预算有限但决策精度要求高的场景下，4B 版本可作为轻量级方案快速落地；对精度要求更高的场景，27B 版本在多选任务上表现出断档式领先。
