蚂蚁数科发布LingDT决策模型，27B准确率领先同类

10月22日，蚂蚁数科发布决策模型LingDT-Decision-1.0，推出4B和27B两个版本。模型面向结构化决策任务，强调更高准确率、更快响应和更低Token成本，已上线蚂蚁数科DTMaaS平台，开发者可限时免费体验。

在客服、风控和金融等真实业务测试中，LingDT-Decision-1.0相比通用大语言模型可减少超过90%的Token消耗，响应速度最高提升10倍。相比其他决策模型，它还支持原生多选和按序决策；官方称，27B版本在同参数模型中取得最高准确率。

企业客服往往需要同时判断问题类型、紧急程度、负责部门及风险等级。传统大模型通常逐Token推理并生成文本，再由系统解析结果，链路较长、成本较高，也容易出现格式和稳定性问题。LingDT-Decision-1.0则直接在限定选项中完成判断，适用于意图识别、工具选择、规则分类和结果评分等任务。

在数据标注场景中，该模型相比DS-V4-flash可减少约97%的Token消耗，处理时效提升约10倍；在智能客服中，相比Qwen-3.7-flash，Token消耗降低90%，处理时效提升约1倍，风险识别准确率从76%提升至89%。金融场景测试显示，意图识别、工具调用和幻觉检测的处理时效提升约5倍，工具组合完全匹配率提升约2.6倍，幻觉召回率由44%提高到70%。

模型还加入原生多选与按序决策（DAG）能力。多选可同时识别退款、关闭续费、补开发票等复合诉求；按序决策则能依据任务依赖关系安排执行顺序，例如先核验退款，再处理后续事项。覆盖23项开源基准的测试中，27B版本按“90%单选评分+10%多选评分”计算的综合成绩排名第一，超过Microsoft-Decision-1、Jev 1.13.0和Fastino/GLiDE等模型；其4B和27B版本在多选任务上超过包括Microsoft-Decision-1、Jev 1.13.0、Star-lux在内的16个决策模型，单选表现位于第一梯队。

（图注：评测图展示了LingDT-Decision 4B/27B在单选与判断能力上的位置，以及原生多选能力的领先表现。）

页面同时列出了相关技术活动、知识图谱和量化研究等延伸内容，并配有对应图示。

其中还包含模型与大模型应用实践等相关文章。

相关页面另介绍了面向量化研究和智能体系统的应用案例。