LingDT-Decision-1.0 走的是和聊天模型相反的路。2026年10月22日，蚂蚁数科发布这款专为快速产业决策打造的模型，提供 4B 和 27B 两个版本，已经在蚂蚁数科 DTMaaS 平台上线，开发者可限时免费体验。它不写文章、不做对话，任务只有一件：在有限选项里快速给出准确判断。蚂蚁数科称，在客服、风控、金融等真实业务场景的测试中，处理同样任务时，它的 Token 消耗比通用大语言模型降低超过 90%，响应时效提升约 10 倍，判断表现反而更好。
企业里最耗算力的，恰恰是判断题
一家企业每天要做的 AI 判断，远比生成任务多。客服收到一句催发货的问询，系统要连着判断问题类型、工单紧急度、归属部门和是否需要人工接管；风控要给交易打分，金融流程里要做分类和评级。用通用大模型处理这类任务，相当于让它逐字推理再生成一段文字，链路长、成本高，结果还不够稳定。决策模型的思路是把生成环节直接砍掉：不产出文本，只在给定选项中做判断、单选、分类和打分，天然适合意图识别、工具选择、规则分类这类高频任务。
原生多选和按序决策，是这次的主菜
和同类决策模型相比，LingDT-Decision-1.0 强调两个新能力。原生多选让它一次请求就能同时标出多个命中的诉求，不必把复合问题拆成几轮单选；按序决策基于有向无环图组织判断顺序，前一步的结论会约束后一步的选项，更贴近真实业务里环环相扣的流程。评测方面，蚂蚁数科称该模型在 23 项开源评测基准中超过 Microsoft-Decision-1、Jev 1.13 等同类产品，其 27B 版本在同参数规模模型中准确率最高；其公布的业务测试细节还包括，智能客服场景的风险识别准确率从 76% 提升到 89%，金融场景的幻觉召回率从 44% 提升到 70%。
值得注意的是，同一天海外也有决策模型发布，但路线不同：有的主打开源和选项打分，蚂蚁数科这款则直接挂在自家 MaaS 平台上，卖点是嵌进客服、风控、金融的现有流程。它的边界同样清楚：只做判断，不做生成，复杂推理和内容生产仍要交给通用大模型，两者是分工而不是替代。企业真正该算的账，是自己有多少高频判断任务在用大模型硬扛：如果量足够大，把这部分流量切给专用决策模型，省下的 Token 和延迟比榜单名次更实在。
