又一国产决策模型发布!准确率超过微软和Jev等决策模型

星海拾光行业资讯📡 量子位2026-10-24417 阅读💛 60 收藏
< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">

又一国产决策模型发布!准确率超过微软和Jev等决策模型

10月22日,蚂蚁数科正式发布决策模型 LingDT-Decision-1.0。

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,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,尤其适合产业AI场景。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 平台上线,开发者可限时免费体验。

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。

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的综合评分超过了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。

(图注: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)

专为决策任务设计,Token消耗直降超90%,更快更准

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消耗降低约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消耗降低90%,处理时效提升约1倍,同时风险识别准确率由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,处理时效提升约5倍,工具组合完全匹配率达提升约 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。

打造下一代决策式模型,两大功能全球首发

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版本综合评分(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-1、Jev 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。

(图注: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)

本文由蚂蚁提供,量子位获授权转载,观点归原作者所有。

版权所有,未经授权不得以任何形式转载及使用,违者必究。
蚂蚁
量子位的朋友们量子位的朋友们
  • 科大讯飞首发星辰TaaS平台,让Token真正成为千行百业的生产力2026-10-23
  • 量子位「MEET2027智能未来大会」启动!年度榜单征集进行中2026-09-11
  • iRTE2026:声网CEO赵斌提出五级对话能力框架,实时互动迈入对话 AGI 时代2026-10-23
  • 高德发布首个基于开放世界行为的全身基座模型λ0,推动机器人从“局部学习”迈向“全身动作对齐”2026-10-23

相关阅读

文章评论(12)

晨沐雨23 天前

很有价值的分享,感谢整理。

回复
松听风23 天前

很有价值的分享,感谢整理。

回复
星寻梦23 天前

赞同,实践出真知。

回复
龙文博23 天前

看完了,收获满满,期待更多更新。

回复
竹听风23 天前

这篇文章分析得很透彻,收藏了!

回复
蓝归舟23 天前

楼主辛苦了,内容很有参考价值。

回复
墨沐雨23 天前

实话,说的不明不白

回复
风倚栏23 天前

路过

回复
星寻梦22 天前

很有价值的分享,感谢整理。

回复
空向阳22 天前

讲解得很细致,新手也能看懂。

回复
吴超23 天前

内容翔实,正好需要,先收藏再看。

回复
龙文博22 天前

看完了,收获满满,期待更多更新。

回复