蚂蚁数科发布决策模型 LingDT-Decision-1.0：Token 消耗降九成，响应快十倍

企业里大量工作其实不是”写东西”，而是”做判断”。这张工单该派给谁，这条评论是催单还是投诉，这个客户要不要人工接管——这些活让大模型来干，往往又慢又贵。蚂蚁数科今天发布的决策模型 LingDT-Decision-1.0，瞄准的就是这块空白。

一分钟速览

• 模型专为高频产业决策设计，目标是给出判断，而不是生成文章。
• 在 23 项开源评测中，性能超过 Microsoft-Decision-1、Jev 1.13 等热门决策模型。
• 27B 版本在同参数规模模型中取得最高准确率。
• 真实业务测试中，同样任务下 Token 消耗降低超 90%，响应时效提升 10 倍。
• 提供 4B 与 27B 两个版本，已在 DTMaaS 平台上线，可限时免费体验。

为什么大模型做判断不划算

大语言模型的工作方式是逐字推理，再逐字生成输出。让它回答一个开放问题，这套机制很合适；可如果只是判断”这是退款、催单还是投诉”，它仍然要先把推理过程一个字一个字写出来，链路长、成本高，出错的机会也更多。

举个真实的场景。客服收到一句”这个订单已经三天了还没发货，请尽快处理”，系统需要在极短时间内完成好几件事：判断问题类型，评估工单紧急度，决定归属部门，再判断是否需要人工介入。每一步都是决策，不是创作。

决策模型的思路完全不同：它不追求把话说漂亮，只追求判断得快、准、稳定。因此它天然适合意图识别、工具选择、规则分类、结果打分这类高频任务。

它多了两种”决策姿势”

相比其他决策模型，LingDT-Decision-1.0 强调的是贴合企业真实场景。除了判断、单选、分类、评级这些基础能力，它还首次支持原生多选与按序决策。

这两点听着抽象，实际很实用。现实业务里经常出现”同时符合多个标签”的情况，也经常需要按依赖顺序一步步推进——先确认身份，再查权限，最后才决定动作。能原生处理这类结构，比让模型用自然语言绕着描述要可靠得多。

省下来的不只是钱

蚂蚁数科给出的测试数据是：在客服、风控、金融等场景中处理同样任务，相比大语言模型，Token 消耗降低超过 90%，响应时效提升 10 倍，性能表现还更好。

成本下降九成听起来夸张，但逻辑并不复杂：少生成几百个字，就少算几百次推理。对每天要处理百万级请求的业务系统来说，这不只是省钱，更意味着同样的算力可以扛住更多并发，也意味着响应能压进用户愿意等待的那一秒里。

趋势洞察

模型行业正在分层。一层往上走，追求更强的通用能力，参数越堆越大；另一层往下沉，针对具体任务做小而专的模型，把成本和延迟压到极致。企业真正愿意持续付费的，往往是后者——因为它解决的是每天都会发生的问题。

当然，专精模型的边界也很清楚：它擅长在既定规则内快速判断，遇到需要解释、需要创造、需要多轮沟通的场景，还是得交回通用模型。未来的系统大概率不是选一个模型，而是让两类模型各干各的活。