في 22 أكتوبر، أطلقت Ant Digital Technologies رسميًا نموذج القرار LingDT-Decision-1.0. صُمم هذا النموذج خصيصًا لاتخاذ القرارات السريعة، وعند معالجة مهام القرار المهيكلة يتميز بدقة أعلى واستجابة أسرع وتكلفة Token أقل، مما يجعله مناسبًا بشكل خاص لسيناريوهات الذكاء الاصطناعي الصناعي. يوفر LingDT-Decision-1.0 نسختين بحجم 4B و27B، والنموذج متاح حاليًا على منصة DTMaaS التابعة لشركة Ant Digital Technologies، حيث يمكن للمطورين تجربته مجانًا لفترة محدودة.
أظهرت اختبارات أجراها فريق Ant Digital Technologies في سيناريوهات أعمال حقيقية مثل خدمة العملاء وإدارة المخاطر والخدمات المالية أنه عند معالجة المهام نفسها، يمكن لـ LingDT-Decision-1.0، مقارنةً بالنماذج اللغوية الكبيرة، خفض استهلاك Token بأكثر من 90%، وتحسين سرعة الاستجابة 10 أضعاف، مع أداء أفضل.
مقارنةً بنماذج القرار الأخرى، يقدم LingDT-Decision-1.0 لأول مرة دعمًا أصليًا لقدرات الاختيار المتعدد واتخاذ القرار المرتب تسلسليًا، بما يتناسب بشكل أفضل مع سيناريوهات التطبيقات الحقيقية للشركات. وفي 23 معيار تقييم مفتوح المصدر، تجاوزت النتيجة الإجمالية لـ LingDT-Decision-1.0 نماذج القرار الشائعة مثل Microsoft-Decision-1 وJev 1.13.، وحصلت نسخة 27B من LingDT-Decision-1.0 على أعلى دقة بين النماذج ذات المعاملات المماثلة.
(تعليق الصورة: مناطق تفوق نسختي 4B/27B من LingDT Decision، وهي تغطي النماذج ذات الأحجام المماثلة بما فيها نماذج القرار Jev وMS Decision وGLiDE، مما يعكس قيمة إجمالية مقابل سعر قوية للغاية)
صُمم خصيصًا لمهام القرار، واستهلاك Token ينخفض مباشرة بأكثر من 90%، أسرع وأدق
في التطبيقات الفعلية للشركات، توجد عدد كبير من مهام اتخاذ القرار عالية التكرار.
على سبيل المثال، في سيناريو خدمة العملاء، بعد استلام استفسار مثل "هذا الطلب مرت عليه ثلاثة أيام ولم يُشحن بعد، يرجى المعالجة في أسرع وقت."، يحتاج الذكاء الاصطناعي إلى إجراء سلسلة سريعة من الأحكام والقرارات: نوع المشكلة (استرداد أموال أم 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).
تُظهر النماذج اللغوية الكبيرة التقليدية نقاط ضعف واضحة في مثل هذه السيناريوهات. فالنماذج اللغوية الكبيرة تحتاج عادةً إلى الاستدلال كلمة بكلمة (Token) ثم توليد نص الإخراج، مما يعني مسارًا طويلًا وتكلفة عالية، مع زيادة احتمالية الأخطاء وأداء أقل استقرارًا.
صُممت نماذج القرار تحديدًا لمعالجة نقاط الألم هذه، فهدفها ليس توليد النص بل إصدار أحكام سريعة ودقيقة. لذا فهي مناسبة بطبيعتها للمهام القرارية عالية التكرار في أعمال الشركات، مثل تحديد النية واختيار الأدوات وتصنيف القواعد وتقييم النتائج.
حاليًا، يخضع نموذج LingDT-Decision-1.0 للاختبار في سيناريوهات أعمال حقيقية لدى Ant Digital Technologies مثل خدمة العملاء الذكية والأمن وإدارة المخاطر والتطبيقات المالية. فكرته الأساسية هي تحويل النموذج الكبير من "توليد إجابة مهيكلة أولًا ثم تحليلها لاحقًا" إلى "اتخاذ الحكم مباشرة من بين خيارات محددة". هذا لا يقلل فقط من مشاكل التنسيق الناتجة عن عدم استقرار المخرجات، بل يجعل عمليات التحليل والتحقق المرهقة سابقًا أبسط بكثير.
على سبيل المثال، في سيناريو وسمل البيانات، انخفض استهلاك الـToken بنحو 97% وارتفعت سرعة المعالجة بنحو 10 أضعاف مقارنةً بـ DS-V4-flash؛ وفي سيناريو خدمة العملاء الذكية، انخفض استهلاك الـToken بنسبة 90% وارتفعت سرعة المعالجة بنحو 1 ضعف مقارنةً بـ Qwen-3.7-flash، مع ارتفاع دقة التعرف على المخاطر من 76% إلى 89%.
وفي سيناريو التطبيقات المالية، في مهام مثل التعرف على النوايا واستدعاء الأدوات واكتشاف الهلوسة، ارتفعت سرعة المعالجة نحو 5 أضعاف، وارتفع معدل التطابق الكامل لمجموعات الأدوات نحو 2.6 ضعف، كما تحسّن معدل استرجاع الهلوسة من 44% إلى 70%، مما يجعل اكتشاف المخاطر أكثر حساسية.
وبشكل عام، أظهر LingDT-Decision-1.0 باستمرار في سيناريوهات حقيقية متعددة مزايا التكلفة الأقل والاستجابة الأسرع والحكم الأدق. وفي الوقت نفسه، يمكنه بنموذج واحد التكيف مع أنواع متعددة من مهام الحكم، مع تكامل أبسط وصيانة أقل جهدًا، مما يسهل إعادة استخدامه وتروّجه في سيناريوهات الأعمال المختلفة.
بناء الجيل التالي من نماذج القرار، ووظيفتان أولى عالميًا
مقارنةً بنماذج القرار الأخرى، تركز Ant Digital Technologies في LingDT-Decision-1.0 بشكل أكبر على البناء لسيناريوهات التطبيقات الحقيقية للشركات. إضافة إلى القدرات الأساسية مثل الحكم والاختيار الفردي والتصنيف والتقييم، تقدم LingDT-Decision-1.0 لأول مرة وظيفتي الاختيار المتعدد الأصلي واتخاذ القرار المرتب تسلسليًا (DAG)، بما يلبي بشكل أفضل احتياجات القرار المعقدة ومتعددة الخطوات في أعمال الشركات.
في سيناريوهات الشركات، الأكثر شيوعًا ليس "اختيار واحد"، بل "تحديد مجموعة من الأمور المطلوب معالجتها وتنفيذها بالترتيب". على سبيل المثال، عندما يطلب المستخدم: "أريد استرداد الأموال، وإلغاء التجديد التلقائي، واستكمال الفاتورة، ولكن دون إغلاق الحساب."، غالبًا ما يتعرف الاختيار الفردي فقط على الطلب الرئيسي "استرداد الأموال" ويسهل أن يغفل عن الاحتياجات الأخرى. أما الاختيار المتعدد فيمكنه التعرف على جميع الطلبات دفعة واحدة؛ ويتجاوز اتخاذ القرار المرتب تسلسليًا ذلك ليحكم: استرداد الأموال يتطلب التحقق أولًا، وإلغاء التجديد يمكن تنفيذه فورًا، ومعالجة الفاتورة قد تحتاج لانتظار نتيجة الاسترداد. لذا فإن الاختيار المتعدد واتخاذ القرار المرتب تسلسليًا أقرب إلى عمليات الأعمال الحقيقية وأكثر قدرة على رفع الدقة والنتيجة النهائية للمعالجة.
في قدرة الاختيار المتعدد الأصلي، يسمح LingDT-Decision-1.0 لمهمة واحدة بمطابقة عدة مرشحين في آن واحد، بما يلبي احتياجات التعرف متعدد التسميات والنوايا المركبة ومجموعات الأدوات؛ وفي قدرة اتخاذ القرار المرتب تسلسليًا، يستطيع النموذج إكمال القرارات متعددة الخطوات وفقًا لعلاقات الاعتماد بين المهام، بما ينسجم أكثر مع عمليات الأعمال الحقيقية في التمويل وإدارة المخاطر وخدمة العملاء.
أظهرت نتائج الاختبارات التي غطت 23 معيار تقييم مفتوح المصدر رائجًا أن النسخة 27B من LingDT-Decision-1.0 حصلت على المركز الأول في النتيجة الإجمالية (90% × نتيجة الاختيار الفردي + 10% × نتيجة الاختيار المتعدد)، بدقة تتجاوز نماذج القرار الشائعة مثل Microsoft-Decision-1 وJev 1.13.0 وFastino/GLiDE. وفي مهام الاختيار المتعدد، تجاوزت دقة نسختي 4B و27B من LingDT-Decision-1.0 نماذج قرار تصل إلى 16 نموذجًا مثل Microsoft-Decision-1 وJev 1.13.0 وStar-lux، مما يعكس تفوق قدرة الاختيار المتعدد الأصلي في مهام الحكم متعددة التسميات والمركبة. وفي مهام الاختيار الفردي، احتل المرتبة في الفئة الأولى.
(تعليق الصورة: يوضح العرض عبر مخطط ذي 2 بُعد لقدرتي الاختيار الفردي/المتعدد أن LingDT Decision 4B/27B ينتمي إلى Tier-1 في قدرتي الاختيار الفردي والحكم، متجاوزًا الغالبية العظمى من النماذج ذات الحجم المماثل؛ بينما تتقدم "قدرة الاختيار المتعدد الأصلية" بتفوق ساحق)
قدمت هذه المقالة شركة Ant، ونشره موقع QbitAI (量子位) بإذن، وآراء تعود لمؤلفها الأصلي.