蚂蚁数科打造下一代决策模型，首发两大功能。

10 月 22 日，蚂蚁数科正式发布决策模型 LingDT-Decision-1.0。该模型专为快速产业决策打造，在处理结构化决策任务时，具备准确率更高、响应更快、Token 成本更低等优势，尤其适合企业 AI 应用场景。

相比于其他决策模型，LingDT-Decision-1.0 首创支持原生多选与按序决策能力，更适配企业真实应用场景。在 23 项开源评测基准中，LingDT-Decision-1.0 的性能超过了 Microsoft-Decision-1、Jev 1.13. 等热门决策模型，LingDT-Decision-1.0 的 27B 版本在同参数模型中取得最高准确率。

蚂蚁数科团队在客服、风控、金融等真实业务场景测试显示，在处理同样任务时，LingDT-Decision-1.0 相比于大语言模型，可将 Token 消耗降低超 90%，响应时效提升 10 倍，并且性能表现更优。

上图 ：LingDT Decision 的 4B/27B 版本的优势区域，覆盖了相关尺寸包括 Jev、MS Decision、GLiDE 等决策模型，表现出极强的综合性价比。 决策能力综合指数及相关评测基准，见文末备注

LingDT-Decision-1.0 提供 4B 和 27B 两个版本。

目前，模型已经在蚂蚁数科 DTMaaS 平台 ( https://maas.antdigital.com/models ) 上线。开发者可限时免费体验。

在企业实际应用中，存在大量高频的决策类任务。

例如，在客服场景中，当收到 " 这个订单已经三天了还没发货，请尽快处理。" 的问询后，AI 需要快速进行一系列判断和决策：问题类型（退款、催单还是投诉？）、工单紧急度（是否需要优先处理）、归属部门（工单派到哪个部门）以及风险判断（是否需要人工接管）。

传统大语言模型在这类场景中存在明显短板。大语言模型通常需要逐字（Token）进行推理，再生成输出文本，链路长、成本高，也更容易出现错误，性能不够稳定。

决策模型正是针对这些痛点而设计，它的目标不是生成文本，而是做出快速、准确的判断。因此，天然适合承担企业业务中的高频决策型任务，如意图判断、工具选择、规则分类和结果打分等。

目前，LingDT-Decision-1.0 模型目前已在蚂蚁数科的智能客服、安全风控、金融应用等真实业务场景展开测试。它的核心思路，是把大模型从 " 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 "。这样不仅减少了因输出不稳定带来的格式问题，也让原本繁琐的解析和校验流程变得更加简单。

例如，在数据标注场景中，相比 DS-V4-flash，Token 成本降低约 97%，处理时效提升约 10 倍；在智能客服场景中：相比 Qwen-3.7-flash，Token 成本降低约 90%，处理时效提升约 1 倍，同时准确率更高——风险识别准确率由 76% 提升至 89%。

在金融应用场景中，在意图识别、工具调用、幻觉检测等任务中，相比于 Qwen-8B 等生成式模型，处理时效提升约 5 倍，工具组合完全匹配率达约 2.6 倍，同时幻觉召回率由 44% 提升至 70%，风险发现更敏感。

综合来看，LingDT-Decision-1.0 在多个真实场景中稳定体现出成本更低、响应更快、判断更准的优势。与此同时，它还能以一套模型适配多类判定任务，接入更简单、维护更省力，因此也更容易在不同业务场景中复用和推广。

相比其他决策模型，蚂蚁数科 LingDT-Decision-1.0 更加强调面向企业真实应用场景打造。除了判断、单选、分类、评级等基础能力外，LingDT-Decision-1.0 还首创推出原生多选与 按序决策（DAG）功能，能够更好适配企业业务中复杂、多步骤的决策需求。

在企业场景中，更普遍的并不是 " 选一个 "，是 " 识别一组要处理的事项，并按顺序执行 "。例如当用户提出：" 我要退款、关闭续费、补开发票，但不要注销账号。" 单选往往只能识别 " 退款 " 这一主诉求，容易漏掉其他需求。而多选能一次识别所有诉求；按序决策还能进一步判断：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。因此，多选和按序决策更贴近真实业务流程，也更能提升准确率和最终处理效果。

在原生多选能力上，LingDT-Decision-1.0 允许一项任务同时命中多个候选，适配多标签识别、复合意图和工具组合等需求；在按序决策能力上，模型能够按照任务之间的依赖关系完成多步决策，更贴近金融、风控、客服等真实业务流程。

覆盖 23 项主流开源评测基准的测试结果显示，LingDT-Decision-1.0 的 27B 版本的综合性能（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、Fastino/GLiDE 等热门决策模型。其中，在多选任务上，LingDT-Decision-1.0 的 4B 和 27B 版本的准确率表现超过 Microsoft-Decision-1Jev 1.13.0、Star-lux 等 16 个决策模型，体现出原生多选能力在多标签与组合判定任务中的优势。在单选任务上，位居第一梯队。

上图 通过单选 / 多选能力的 2 维图展开 体现了 LingDT Decision 4B/27B 在单选 & 判断能力 属于 Tier-1，超越绝大多数同尺寸模型；而 " 原生多选能力 " 断档式领先。

备注

决策能力指数 = 0.9* 单选能力 + 0.1* 多选能力

单选能力基于 13 项主流开源 Bench 的平均：JEVal、OpenDecision、SemIf-144、Scienthoon-pooled、WANLI-256、TypeSafe-102、Nimble-282、JevBench-231、BANKING77-3080、Transfer-v9、Decision-v7、Transfer-v4、MASSIVE

多选能力基于 10 项主流开源 Bench 的平均：SATA、MultiRC、Jigsaw、BlendX、BRIGHTER-eng、BRIGHTER-zh、GoEmotions、ECtHR-A、ECtHR-B、UNFAIR-ToS