发生了什么
10 月 22 日，蚂蚁数科发布决策模型 LingDT-Decision-1.0，提供 4B 与 27B 两个参数版本，已在蚂蚁数科 DTMaaS 平台（maas.antdigital.com/models）上线，开发者可限时免费体验。模型面向智能客服、安全风控、金融等企业场景，定位不是生成文本，而是完成结构化判断。
这类任务在企业系统中数量极大但形态固定。以客服为例，一句「订单三天还没发货，请尽快处理」需要连续判断：诉求属于催单、退款还是投诉，工单是否需要优先处理，应派给哪个部门，是否需要人工接管。通用大模型的处理链路是逐 token 推理再输出文本，业务系统还要额外解析校验，环节多、成本高、格式稳定性差。
- 能力设计：首创原生多选与按序决策，直接在限定选项中给出判断，减少中间文本生成
- 成本：厂商称在客服、风控、金融业务场景中，同等任务 Token 消耗降低逾 90%，响应时效提升约 10 倍
- 评测：在 23 项开源基准中综合评分超过 Microsoft-Decision-1、Jev 1.13.0 与 Fastino/GLiDE，27B 版本在同参数模型中准确率最高
- 版本策略：4B 面向端侧与高并发轻量判断，27B 面向复杂判断与更高准确率要求
- 可得性：DTMaaS 平台限时免费，但未公布后续商用定价与私有化交付方式
为什么这类模型开始独立成产品
过去两年企业把几乎所有 AI 需求都压给通用大模型，结果是大量高并发、低创造性、选项固定的判断任务被迫走完整生成链路，账单与延迟都不划算。把这类任务单独建模，本质是重新划分「生成」与「判断」的边界：需要写文案的交给大模型，需要稳定输出的交给决策模型。
还有一个工程收益容易被忽略——输出格式的确定性。限定选项意味着业务系统不必再写复杂的解析与兜底逻辑，误判也可以按选项归因，这对风控与金融场景的可审计性比降低延迟更重要。
不确定之处
三点需要保留。其一，降本与提速数据来自蚂蚁数科自有业务场景测试，未披露测试集构成、基线模型与统计方法，不构成跨企业可复现的结论。其二，23 项基准中对比的是同尺寸决策模型，与通用大模型的横向比较未给出完整分数表。其三，模型尚未开源，权重不可得，私有化部署与合规审计路径仍待明确。对准备替换现有分类与风控规则引擎的团队，建议先在自有标注集上做小规模对照。