蚂蚁数科发了个决策模型，主打结构化判断

你的客服系统每分钟要判断几百条用户消息是催单还是投诉，用大语言模型干这个，就像请一位作家去数停车场的车——能数对，但太贵也太慢。

一、发生了什么

据腾讯科技报道，蚂蚁数科 10 月 22 日发布决策模型 LingDT-Decision-1.0，提供 4B 和 27B 两个参数版本，面向智能客服、安全风控、金融等企业场景。它不做开放式文本生成，只处理意图识别、任务分类、工具选择、风险判断这类有明确候选答案的结构化任务。相比先生成答案再解析的做法，它直接在限定选项里做判断，减少格式漂移和后处理环节。厂商称其首创原生多选与按序决策能力：一个请求能同时命中多个诉求，还能按任务间的依赖关系排出执行顺序，比如先核验再退款、发票等退款结果。模型已上线蚂蚁数科的模型服务平台，限时免费体验至 10 月 30 日。

业绩对比方面，厂商给的都是官方自测数字：数据标注场景对比 DeepSeek 一款模型，Token 成本降约 97%、时效提升约 10 倍；客服场景对比另一款通用模型，风险识别准确率从 76% 提到 89%；金融场景的幻觉召回率从 44% 提到 70%。评测口径上，覆盖 23 项开源基准，综合评分由九成单选成绩加一成多选成绩构成，27B 版本综合评分 84.23，排在微软、Perplexity 等厂商同类决策模型之前。这些数字全部来自蚂蚁自家测试，尚无第三方复核。

二、跟你有什么关系

做客服或风控系统的工程师：路由、分类、打分这类高频调用换成专用模型，成本和延迟都可能明显下降，厂商自测数据显示 Token 消耗降九成以上。

管 AI 预算的技术负责人：把判断类任务从通用大模型里拆出去单独接，是当下省推理成本最直接的路径之一。

普通用户：感知不到，但未来对话机器人响应更快、误判更少，多半有这类模型的功劳。

三、怎么用

1. 10 月 30 日前去蚂蚁数科模型服务平台免费试用，拿自己业务里最典型的分类任务测，别只跑官方示例。
2. 用多选能力试一次复合请求，看它能否一次识别出用户的多重诉求，这是它和一般单选模型的分水岭。
3. 重点核对错误处理：对模糊表述、选项外的异常输入怎么反应，厂商数据里没有这一项，要自己补测。

四、三个别信的说法

省九成 Token 是普适结论。 那是厂商在自家数据标注、客服等场景测出的对比值，基准各不相同。你的任务分布不一样，降幅要先实测，别直接写进立项报告。

决策模型能替代大语言模型。 它只能做候选范围明确的结构化判断，开放式问答和内容生成仍然要靠生成式模型。正确姿势是两类模型分工，不是替换。

榜单第一就等于业务第一。 27B 版本的综合评分排在 23 项开源基准的首位，但评测指标是学术集的准确率，业务里还有规则变化、异常输入这些评测没覆盖的坑。

五、一句话结论

高频判断类任务从生成式模型里拆出来单独跑，是省钱提速的实在路子，但所有数字都要拿自己的业务数据重验一遍。

信息来源

• 腾讯科技：又一国产决策模型发布（2026-10-23）
• 智东西：蚂蚁版决策模型报道（2026-10-23）

功能与价格以官方公告为准。本文写于 2026 年 10 月 24 日。