简介
10月22日，蚂蚁数科发布决策模型 LingDT-Decision-1.0，提供 4B 和 27B 两个版本，已上线 DTMaaS 平台并可限时免费体验。
它不做通用对话，只做一件事：在结构化决策任务里快速给出判断。官方的对比口径是——处理同样任务，相比通用大模型Token 消耗降低超90%、响应时效提升10倍，而且准确率更高。
核心功能：两个"全球首创"
除了判断、单选、分类、评级这些基础能力，LingDT-Decision-1.0 真正有差异的是两点：
- 原生多选：一次请求可以同时命中多个候选。适配多标签识别、复合意图、工具组合这类场景。
- 按序决策（DAG）：按任务之间的依赖关系完成多步决策，而不是只挑一个。
为什么这两个功能重要？因为企业真实业务里"只选一个"的情况反而少。举个原文里的例子：用户说"我要退款、关闭续费、补开发票，但不要注销账号"。单选模型通常只能识别"退款"这个主诉求，其他需求就被漏掉了。多选能一次抓全；按序决策还能进一步判断——退款要先核验、关闭续费可以先执行、发票可能要等退款结果。
详细分析：把"生成答案"改成"在选项里判断"
通用大模型做决策类任务的根本问题是链路太长：先逐 token 推理，再逐 token 生成结构化答案，然后还要写解析代码把文本转成字段。链路越长，成本越高、格式越容易崩。
决策模型的思路是把大模型从"先生成结构化答案、再解析"改造成"在限定选项里直接判断"。好处是双重的：省掉了输出 token（决策模型只花输入），也省掉了后处理解析与格式校验。
实测数字比较能说明问题：
- 数据标注场景：相比 DS-V4-flash，Token 成本降低约 97%，处理时效提升约10倍。
- 智能客服场景：相比 Qwen-3.7-flash，Token 成本降低约 90%，时效提升约1倍，风险识别准确率从 76% 提升到 89%。
- 金融场景：相比 Qwen-8B 这类生成式模型，处理时效提升约5倍，工具组合完全匹配率达到约2.6倍，幻觉召回率从44%提升到70%。
基准侧，在覆盖23项主流开源评测的综合指数（0.9×单选均分 + 0.1×多选均分）上，27B 版本以 84.23 位居第一，超过 Fastino/GLiDE（83.65）、start-lux-27b（82.67）、Perplexity-27B（82.22）、Microsoft-Decision-1（81.61）、Jev 1.13.0（80.20）。4B 版本综合指数 79.24，在同尺寸里同样是第一梯队。多选能力上是断档式领先——4B 和 27B 两个版本都超过了包括 Microsoft-Decision-1、Jev 1.13.0 在内的16个决策模型。
价格与接入
模型在蚂蚁数科 DTMaaS 平台（maas.antdigital.com/models）上线，限时免费体验至10月30日。上下文支持到 64K 档位。一套模型可以适配多类判定任务，接入与维护成本比给每个场景单独调一个LLM低得多。
横向对比：决策模型赛道已经很挤
OpenAI 在10月22日同期把 Decisions API 转为全面可用，基于 GPT-6 Luna，主打100–180毫秒延迟与每百万输入token 0.10美元；TypeSafe 的 Jev 靠这条赛道做到76亿美元估值；Liquid 的 D1 Ultra 在多个榜单领先。LingDT 的差异化在国内产业场景：中文意图、多选复合诉求、金融风控合规。
优缺点
- 优点：Token 成本降一个数量级；原生多选与 DAG 更贴合真实业务流程；4B 版本部署门槛低；综合基准在同参数量第一。
- 不足：只适合有界答案的判定任务，复杂推理仍要交给通用大模型；目前限时免费，正式定价未公布；生态与第三方工具支持不如通用模型成熟。
适合人群与总结
适合做智能客服、风控审核、工单路由、数据标注、金融意图识别的团队——凡是"每天要判断几百万次、答案就在几个选项里"的场景，都值得换一下。如果你的任务需要写长篇分析，决策模型帮不上忙。工具详情见 蚂蚁数科 LingDT-Decision。