في 22 أكتوبر، أطلقت Ant Digital Technology رسمياً نموذج اتخاذ القرار LingDT-Decision-1.0. صُمم هذا النموذج خصيصاً لاتخاذ القرارات السريعة، ويتمتع عند معالجة مهام القرار المهيكلة بمزايا تتمثل في دقة أعلى واستجابة أسرع وتكلفة Tokens أقل، وهو مناسب بشكل خاص لسيناريوهات الذكاء الاصطناعي الصناعي. يوفر LingDT-Decision-1.0 نسختين بحجم 4B و27B، وقد تم إطلاق النموذج حالياً على منصة DTMaaS التابعة لـ Ant Digital Technology، ويمكن للمطورين تجربته مجاناً لفترة محدودة.
أظهرت اختبارات فريق Ant Digital Technology في سيناريوهات أعمال حقيقية مثل خدمة العملاء وإدارة المخاطر والتمويل أن LingDT-Decision-1.0 عند معالجة المهام نفسها مقارنة بنماذج اللغة الكبيرة يمكنه تقليل استهلاك Tokens بأكثر من 90%، وتحسين زمن الاستجابة 10 أضعاف، مع أداء أفضل.
مقارنة بنماذج اتخاذ القرار الأخرى، يبتكر LingDT-Decision-1.0 لأول مرة دعم اختيار متعدد أصلي وقدرة القرار التسلسلي، ما يجعله أكثر ملاءمة لسيناريوهات التطبيقات الحقيقية للمؤسسات. في 23 معياراً مفتوح المصدر للتقييم، تجاوزت الدرجة الإجمالية لـ LingDT-Decision-1.0 نماذج اتخاذ القرار الشائعة مثل Microsoft-Decision-1 وJev1.13.، وحصلت نسخة 27B من LingDT-Decision-1.0 على أعلى دقة بين النماذج ذات المعلمات نفسها.
مصمم لمهام اتخاذ القرار، يخفض استهلاك Tokens بأكثر من 90%، أسرع وأدق
في التطبيقات الفعلية للمؤسسات، توجد عدد كبير من مهام اتخاذ القرار عالية التكرار.
على سبيل المثال، في سيناريو خدمة العملاء، عند تلقي استفسار مثل: "هذا الطلب مضى عليه ثلاثة أيام ولم يُشحن بعد، يرجى المعالجة في أسرع وقت"، يحتاج الذكاء الاصطناعي إلى إجراء سلسلة من الأحكام والقرارات بسرعة: نوع المشكلة (استرداد أموال، أو استعجال طلب، أم شكوى؟)، ودرجة إلحاح التذكرة (هل تحتاج معالجة ذات أولوية)، والقسم المسؤول (إلى أي قسم تُحوَّل التذكرة)، وتقييم المخاطر (هل يلزم تدخل بشري).
تعاني نماذج اللغة الكبيرة التقليدية من نقاط ضعف واضحة في مثل هذه السيناريوهات. فنماذج اللغة الكبيرة تحتاج عادةً إلى الاستدلال Token بـ Token ثم توليد النص الناتج، مما يجعل السلسلة طويلة والتكلفة مرتفعة، ويزيد احتمالية الأخطاء، ويجعل الأداء غير مستقر.
صُمم نموذج اتخاذ القرار تحديداً لمعالجة نقاط الضعف هذه، فهدفه ليس توليد النص، بل اتخاذ أحكام سريعة ودقيقة. لذا فهو مناسب بطبيعته لتحمل مهام اتخاذ القرار عالية التكرار في أعمال المؤسسات، مثل الحكم على النية، واختيار الأدوات، والتصنيف وفق القواعد، وتقييم النتائج.
حالياً، بدأ نموذج LingDT-Decision-1.0 بالفعل اختباراته في سيناريوهات أعمال حقيقية لدى Ant Digital Technology مثل خدمة العملاء الذكية وأمن المخاطر والتطبيقات المالية. وتتمثل فكرته الأساسية في تحويل النموذج الكبير من "توليد إجابة مهيكلة أولاً ثم تحليلها لاحقاً" إلى "اتخاذ الحكم مباشرة ضمن خيارات محددة". هذا لا يقلل مشاكل التنسيق الناتجة عن عدم استقرار المخرجات فحسب، بل يجعل عمليات التحليل والتحقق المرهقة أصبحت أبسط بكثير.
على سبيل المثال، في سيناريو تصنيف البيانات، وبالمقارنة مع DS-V4-flash، انخفض استهلاك الـToken بنحو 97% وتحسّنت سرعة المعالجة بنحو 10 أضعاف؛ وفي سيناريو خدمة العملاء الذكية، وبالمقارنة مع Qwen-3.7-flash، انخفض استهلاك الـToken بنسبة 90% وتحسّنت سرعة المعالجة بنحو 1 ضعف، كما ارتفعت دقة تحديد المخاطر من 76% إلى 89%.
في سيناريوهات التطبيقات المالية، في مهام مثل التعرف على النوايا واستدعاء الأدوات وكشف الهلوسة، تحسّن زمن المعالجة نحو 5 أضعاف، وارتفع معدل التطابق الكامل لتوليفات الأدوات بنحو 2.6 مرة، مع ارتفاع معدل استدعاء الهلوسة من 44% إلى 70%، مما يجعل اكتشاف المخاطر أكثر حساسية.
بشكل عام، يُظهر LingDT-Decision-1.0 بثبات في سيناريوهات حقيقية متعددة مزايا تتمثل في تكلفة أقل واستجابة أسرع وأحكام أدق. وفي الوقت نفسه، يمكنه بنموذج واحد التكيف مع فئات متعددة من مهام الحكم، مع تكامل أبسط وصيانة أقل جهد، مما يسهل إعادة استخدامه وتعميمه في مختلف سيناريوهات الأعمال.
بناء الجيل التالي من نماذج اتخاذ القرار، بوظيفتين تُطلقان عالمياً لأول مرة
مقارنة بنماذج اتخاذ القرار الأخرى، تركز Ant Digital Technology في LingDT-Decision-1.0 بشكل أكبر على البناء لسيناريوهات التطبيقات الحقيقية للمؤسسات. إلى جانب القدرات الأساسية مثل الحكم والاختيار الفردي والتصنيف والتقييم، يقدم LingDT-Decision-1.0 لأول مرة وظائف الاختيار المتعدد الأصلي والقرار التسلسلي (DAG)، للتكيف بشكل أفضل مع احتياجات اتخاذ القرار المعقدة ومتعددة الخطوات في أعمال المؤسسات.
في سيناريوهات المؤسسات، الأكثر شيوعاً ليس "اختيار واحد"، بل "تحديد مجموعة من الأمور التي يجب معالجتها وتنفيذها بالترتيب". على سبيل المثال، عندما يطلب المستخدم: "أريد استرداد الأموال، وإلغاء التجديد التلقائي، واستكمال إصدار الفاتورة، ولكن لا تريد إلغاء الحساب". غالباً ما يتعرف الاختيار الفردي فقط على الطلب الرئيسي "استرداد الأموال" ومن السهل أن يغفل الاحتياجات الأخرى. أما الاختيار المتعدد فيمكنه التعرف على جميع الطلبات دفعة واحدة؛ كما يمكن للقرار التسلسلي أن يحكم أكثر: يجب التحقق من استرداد الأموال أولاً، ويمكن تنفيذ إلغاء التجديد التلقائي فوراً، وقد ينتظر معالجة الفاتورة نتيجة الاسترداد.
لذلك، فإن الاختيار المتعدد والقرار التسلسلي أقرب إلى عمليات الأعمال الحقيقية، وأكثر قدرة على رفع الدقة وتحسين نتائج المعالجة النهائية.
في قدرة الاختيار المتعدد الأصلي، يسمح LingDT-Decision-1.0 لمهمة واحدة بمطابقة عدة مرشحين في آن واحد، بما يلائم احتياجات التعرف متعدد التسميات والنوايا المركبة وتوليفات الأدوات؛ وفي قدرة القرار التسلسلي، يستطيع النموذج إكمال القرارات متعددة الخطوات وفق علاقات الاعتماد بين المهام، بما يقترب أكثر من عمليات الأعمال الحقيقية في التمويل وإدارة المخاطر وخدمة العملاء.
أظهرت نتائج الاختبارات التي شملت 23 معياراً مفتوح المصدر رئيسياً أن النسخة 27B من LingDT-Decision-1.0 حلت الأولى في الدرجة الإجمالية (90% x درجة الاختيار الفردي + 10% x درجة الاختيار المتعدد)، بدقة تتجاوز نماذج اتخاذ القرار الشائعة مثل Microsoft-Decision-1 وJev1.13.0 وFastino/GLiDE.
ومنها، في مهام الاختيار المتعدد، تجاوز أداء دقة نسختي 4B و27B من LingDT-Decision-1.0 عدد 16 نموذج اتخاذ قرار مثل Microsoft-Decision-1 وJev1.13.0 وStar-lux، مما يعكس ميزة قدرة الاختيار المتعدد الأصلي في مهام الحكم متعددة التسميات والمركبة. وفي مهام الاختيار الفردي، حصدت المرتبة في الصف الأول.