bingdadaLingDT-Decision-1.0 是蚂蚁数科推出的决策专用模型，提供 4B 和 27B 两个版本，专为结构化判定任务设计，而非文本生成。它在 23 项开源基准中综合评分领先 Microsoft-Decision-1、Jev 1.13.0 等模型，并在真实业务场景中实现 Token 消耗降低超 90%、响应时效提升约十倍。
当行业还在围绕通用大模型的参数规模与榜单分数反复拉锯时，另一条更贴近企业真实业务的技术路线正在加速成形——不是让模型「写出一段话」，而是让它「在限定选项里做出判断」。蚂蚁数科近期推出的 LingDT-Decision-1.0，正是这条路线上的一个代表性样本。
这款模型提供 4B 与 27B 两个参数版本，已在蚂蚁数科 DTMaaS 平台上线并开放限时免费体验。从公开信息看，它的定位非常明确：面向高频、结构化、可枚举的决策任务，而非开放式文本生成。这一定位本身就构成了对当前产业 AI 落地困境的一种回应——企业需要的往往不是更长的回答，而是更短、更准、更便宜的判断。
理解 LingDT 的价值，需要先看清传统大语言模型在业务链路中的结构性成本。以客服工单为例，一条「订单三天未发货」的咨询背后，实际需要完成问题归类、紧急度分级、部门路由、风险判定等一系列动作。通用大模型的处理方式是逐 Token 推理并生成结构化文本，再由下游系统解析、校验、兜底。链路越长，格式出错和延迟累积的概率就越高。
LingDT 的思路是把这一流程反过来：不再先生成答案再解析，而是在预设的候选集合中直接输出判断结果。这一转变带来的收益是复合的——既压缩了输出长度，也绕开了格式不稳定带来的返工。据蚂蚁数科团队在客服、风控、金融等场景的测试数据，相同任务下 Token 消耗可下降超过九成，响应时效提升约十倍量级。
具体到细分场景：数据标注任务中，相较 DS-V4-flash，Token 消耗降低约 97%，处理时效提升约十倍；智能客服场景中，相较 Qwen-3.7-flash，Token 消耗降低约九成，风险识别准确率从 76% 提升至 89%；金融应用中的意图识别、工具调用与幻觉检测环节，处理时效提升约五倍，工具组合完全匹配率提升约 2.6 倍，幻觉召回率由 44% 升至 70%。这些数字指向同一个结论：在判定型任务上，专用结构的效率优势是数量级的。
真正让 LingDT 区别于同类产品的，是它对「复杂决策」的建模方式。企业业务中更常见的并非单选题，而是「一次识别多个诉求、再按依赖关系排序执行」。例如用户同时提出退款、关闭续费、补开发票但保留账号，单选模型往往只能捕捉主诉求，遗漏其余需求；而多选能力可以一次性命中全部意图，按序决策（DAG）则进一步判断哪些动作可并行、哪些必须等待前置结果。
这一能力设计对应的是金融、风控、客服等流程型业务的真实结构。LingDT 在原生多选上允许多个候选同时命中，适配多标签识别与工具组合；在按序决策上则依据任务依赖关系完成多步判定。相较于把复杂流程拆成多次模型调用再拼接，这种原生支持在一致性和维护成本上更具优势。
在覆盖 23 项主流开源基准的测试中，LingDT-Decision-1.0 的 27B 版本综合评分（单选占九成、多选占一成）位列第一，准确率超过 Microsoft-Decision-1、Jev 1.13.0、Fastino/GLiDE 等决策模型；在多选任务上，4B 与 27B 两个版本的表现超过包括上述模型在内的 16 个对比对象；单选任务则处于第一梯队。需要说明的是，评测分数只是参考维度之一，真实业务中的稳定性、可维护性与接入成本同样关键，这也是该模型强调「一套模型适配多类判定任务」的原因。
放到国内 AI 竞争格局中看，LingDT 的出现并非孤立事件。过去一年多，国内厂商在通用对话模型上持续追赶的同时，也在垂直能力上寻找差异化切口。文心一言、通义千问、DeepSeek、豆包、Kimi、智谱 GLM、讯飞星火等产品，均在意图识别、工具调用、结构化输出等方向持续迭代，部分平台已推出面向企业的智能体编排与函数调用能力。
差异在于路径选择：多数通用模型仍以「增强生成质量」为主线，通过提示词工程与后处理来适配判定任务；而 LingDT 选择从模型结构层面直接面向决策任务设计，把多选与按序决策做成原生能力。前者胜在通用性与生态广度，后者胜在特定任务上的成本与时效。对于高频、规则明确、对延迟敏感的企业场景，后者的性价比优势更为直接；而对于开放域问答与内容生成，通用大模型仍是更合适的选择。两条路线并非替代关系，而是产业 AI 走向分工细化的体现。
从更宏观的角度看，决策模型的兴起反映了一个判断：企业 AI 的价值正在从「能说会道」转向「能判能断」。这一转向对模型厂商提出的要求，不再只是榜单排名，而是能否嵌入业务流程、能否被稳定运维、能否把单位决策成本压到可规模化复制的水平。LingDT 的 4B/27B 双版本策略，本质上也是在准确率与部署成本之间提供不同档位的选择。
LingDT-Decision-1.0 的意义，不只在于某一项评测上的领先，而在于它把「决策」从大模型的一个应用场景，提升为一种独立的模型形态。当 Token 成本、响应延迟与判断准确率同时成为企业选型的硬约束时，专用决策模型的价值会被越来越多地重新评估。对于关注产业 AI 落地的团队而言，值得跟踪的不是单一分数，而是这类模型能否在真实业务闭环中持续兑现「更准、更快、更省」的承诺。
它是蚂蚁数科推出的决策专用模型，提供 4B 与 27B 两个版本，核心目标不是生成文本，而是在限定候选中完成意图判断、分类、评级、多选与按序决策等结构化任务。
据蚂蚁数科在客服、数据标注、金融等场景的测试，相同任务下 Token 消耗可降低九成以上，部分场景如数据标注降幅约 97%，响应时效提升约五到十倍。
企业业务常涉及一次识别多个诉求并按依赖关系执行，多选能力可避免遗漏复合意图，按序决策（DAG）则能判断动作先后，二者结合更贴近真实业务流程，减少多次调用带来的不一致。
在 23 项开源基准测试中，27B 版本综合评分位列第一，准确率超过 Microsoft-Decision-1、Jev 1.13.0、GLiDE 等模型；多选任务上 4B 与 27B 版本均领先 16 个对比模型，单选任务处于第一梯队。
Bingdada 是一个专注 SEO、GEO（生成式引擎优化）与 AEO（答案引擎优化）的内容平台，由资深内容编辑、SEO 技术工程师与 AI 研究专家组成的团队持续运营。我们追踪搜索引擎与生成式 AI 的最新动态，为读者提供准确、实用、可落地的方法论与行业洞察。
编辑团队：内容策划 · 技术编辑 · AI 研究组
网站：bingdada.com
© 2026 Bingdada. 保留所有权利。
SEO & GEO 技术探索者，专注于搜索引擎优化和生成式引擎优化。
百度世界2026大会以「智能组织」为核心议题，10余场分论坛从组织进化、智能体落地、行业方案到RSI与AI4S前沿展开讨论，本文梳理其背后的AI转型重构逻辑与国内厂商的多元路径。
清华AIR孵化的紫荆智康推出多分身智能体协同技术，让不同专科的AI医生在真实诊室中协作，把多学科会诊前置到首诊环节，并在虚拟训练与现实微调中持续进化。
MiniMax M3.1 Flash 正式亮相，以 29.6% 的 ALE 得分拿下国产 Agent 第一，同时把综合成本压到前代 30%。本文拆解其跑分表现、极速低价策略，以及国产 Flash 双子星如何改写企业级 Agent 的落地逻辑。
获取最新的 SEO 与 GEO 技术资讯。
我们尊重您的隐私，随时可以取消订阅。
