又一國產決策模型發佈！準確率超過微軟和Jev等決策模型

10月22日，螞蟻數科正式發佈決策模型 LingDT-Decision-1.0。該模型專為快速決策打造，在處理結構化決策任務時，具備準確率更高、響應更快、Token成本更低等優勢，尤其適合產業AI場景。LingDT-Decision-1.0提供4B和27B兩個版本，目前，模型已經在螞蟻數科 DTMaaS 平臺上線，開發者可限時免費體驗。螞蟻數科團隊在客服、風控、金融等真實業務場景測試顯示，在處理同樣任務時，LingDT-Decision-1.0相比於大語言模型，可將Token消耗降低超90%，響應時效提升10倍，並且性能表現更優。相比於其他決策模型，LingDT-Decision-1.

0首創支持原生多選與按序決策能力，更適配企業真實應用場景。在23項開源評測基準中，LingDT-Decision-1.0的綜合評分超過了Microsoft-Decision-1、Jev 1.13.等熱門決策模型，LingDT-Decision-1.0的27B版本在同參數模型中取得最高準確率。（圖注：LingDT Decision 的4B/27B 版本的優勢區域，覆蓋了相關尺寸包括Jev、MS Decision、GLiDE等決策模型，表現出極強的綜合性價比） 專為決策任務設計，Token消耗直降超90%，更快更準 在企業實際應用中，存在大量高頻的決策類任務。

例如，在客服場景中，當收到“這個訂單已經三天了還沒發貨，請儘快處理。”的問詢後，AI需要快速進行一系列判斷和決策：問題類型（退款、催單還是投訴？）、工單緊急度（是否需要優先處理）、歸屬部門（工單派到哪個部門）以及風險判斷（是否需要人工接管）。傳統大語言模型在這類場景中存在明顯短板。大語言模型通常需要逐字（Token）進行推理，再生成輸出文本，鏈路長、成本高，也更容易出現錯誤，性能不夠穩定。決策模型正是針對這些痛點而設計，它的目標不是生成文本，而是做出快速、準確的判斷。因此，天然適合承擔企業業務中的高頻決策型任務，如意圖判斷、工具選擇、規則分類和結果打分等。

目前，LingDT-Decision-1.0 模型目前已在螞蟻數科的智能客服、安全風控、金融應用等真實業務場景展開測試。它的核心思路，是把大模型從“先生成結構化答案，再做後續解析”，轉變為“在限定選項中直接做判斷”。這樣不僅減少了因輸出不穩定帶來的格式問題，也讓原本繁瑣的解析和校驗流程變得更加簡單。例如，在數據標註場景中，相比 DS-V4-flash，Token消耗降低約97%，處理時效提升約10倍；在智能客服場景中，相比 Qwen-3.7-flash，Token消耗降低90%，處理時效提升約1倍，同時風險識別準確率由76%提升至89%。

在金融應用場景中，在意圖識別、工具調用、幻覺檢測等任務中，處理時效提升約5倍，工具組合完全匹配率達提升約 2.6 倍，同時幻覺召回率由 44% 提升至70%，風險發現更敏感。綜合來看，LingDT-Decision-1.0在多個真實場景中穩定體現出成本更低、響應更快、判斷更準的優勢。與此同時，它還能以一套模型適配多類判定任務，接入更簡單、維護更省力，因此也更容易在不同業務場景中複用和推廣。打造下一代決策式模型，兩大功能全球首發 相比其他決策模型，螞蟻數科 LingDT-Decision-1.0 更加強調面向企業真實應用場景打造。

除了判斷、單選、分類、評級等基礎能力外，LingDT-Decision-1.0 還首創推出原生多選與 按序決策（DAG）功能，能夠更好適配企業業務中複雜、多步驟的決策需求。在企業場景中，更普遍的並不是“選一個”，是“識別一組要處理的事項，並按順序執行”。例如當用戶提出：“我要退款、關閉續費、補開發票，但不要註銷賬號。”單選往往只能識別“退款”這一主訴求，容易漏掉其他需求。而多選能一次識別所有訴求；按序決策還能進一步判斷：退款需先核驗，關閉續費可先執行，發票處理可能要等退款結果。因此，多選和按序決策更貼近真實業務流程，也更能提升準確率和最終處理效果。

在原生多選能力上，LingDT-Decision-1.0允許一項任務同時命中多個候選，適配多標籤識別、複合意圖和工具組合等需求；在按序決策能力上，模型能夠按照任務之間的依賴關係完成多步決策，更貼近金融、風控、客服等真實業務流程。覆蓋23項主流開源評測基準的測試結果顯示，LingDT-Decision-1.0的27B版本綜合評分（90%x單選評分+10%x多選評分）位居第一，準確率超過Microsoft-Decision-1、Jev 1.13.0、Fastino/GLiDE等熱門決策模型。其中，在多選任務上，LingDT-Decision-1.

0的4B和27B版本的準確率表現超過Microsoft-Decision-1、Jev 1.13.0、Star-lux等16個決策模型，體現出原生多選能力在多標籤與組合判定任務中的優勢。在單選任務上，位居第一梯隊。（圖注：通過單選/多選能力的2維圖展開 體現了LingDT Decision 4B/27B 在單選&判斷能力 屬於Tier-1 超越絕大多數同尺寸模型；而“原生多選能力”斷檔式領先）