Am 22. Oktober veröffentlichte Ant Digital Technologies offiziell das Entscheidungsmodell LingDT-Decision-1.0. Das Modell wurde speziell für schnelle Entscheidungen entwickelt und bietet bei der Verarbeitung strukturierter Entscheidungsaufgaben Vorteile wie höhere Genauigkeit, schnellere Reaktionszeiten und niedrigere Token-Kosten, womit es sich besonders für KI-Szenarien in der Industrie eignet. LingDT-Decision-1.0 ist in den beiden Versionen 4B und 27B erhältlich. Das Modell ist derzeit auf der DTMaaS-Plattform von Ant Digital Technologies online, und Entwickler können es zeitlich begrenzt kostenlos ausprobieren.
Tests des Teams von Ant Digital Technologies in realen Geschäftsszenarien wie Kundenservice, Risikokontrolle und Finanzen zeigten, dass LingDT-Decision-1.0 bei der Verarbeitung derselben Aufgaben im Vergleich zu großen Sprachmodellen den Token-Verbrauch um mehr als 90 % senken, die Reaktionszeit um das 10-Fache verbessern und zudem eine bessere Leistung erzielen kann.
Im Vergleich zu anderen Entscheidungsmodellen unterstützt LingDT-Decision-1.0 als erstes Modell nativen Mehrfachauswahl- und sequenziellen Entscheidungsmodus und passt sich damit besser an reale Unternehmensanwendungen an. In 23 offenen Bewertungsbenchmarks übertraf der Gesamtwert von LingDT-Decision-1.0 beliebte Entscheidungsmodelle wie Microsoft-Decision-1 und Jev1.13. Das 27B-Modell von LingDT-Decision-1.0 erzielte unter Modellen mit gleicher Parameterzahl die höchste Genauigkeit.
Speziell für Entscheidungsaufgaben entwickelt: Token-Verbrauch sinkt um über 90 %, schneller und genauer
In der tatsächlichen Anwendung in Unternehmen gibt es eine große Anzahl häufig auftretender Entscheidungsaufgaben.
Beispielsweise muss im Kundenservice-Szenario, nachdem eine Anfrage wie „Diese Bestellung ist seit drei Tagen nicht versandt worden, bitte schnellstmöglich bearbeiten.“ eingeht, die KI schnell eine Reihe von Einschätzungen und Entscheidungen treffen: Art des Problems (Rückerstattung, Lieferung anmahnen oder Beschwerde?), Dringlichkeit des Tickets (ist eine vorrangige Bearbeitung erforderlich), zuständige Abteilung (an welche Abteilung wird das Ticket weitergeleitet) sowie Risikobewertung (muss ein Mensch übernehmen?).
Traditionelle große Sprachmodelle weisen in solchen Szenarien deutliche Schwächen auf. Große Sprachmodelle müssen in der Regel Wort für Wort (Token) Schlüsse ziehen und anschließend den Ausgabetext generieren; der Prozess ist lang, die Kosten sind hoch, Fehler treten leichter auf, und die Leistung ist nicht ausreichend stabil.
Entscheidungsmodelle sind genau für diese Schwachstellen konzipiert. Ihr Ziel ist es nicht, Texte zu generieren, sondern schnelle und genaue Urteile zu fällen. Daher eignen sie sich von Natur aus für häufig auftretende Entscheidungsaufgaben im Geschäftsbetrieb von Unternehmen, wie Absichtserkennung, Tool-Auswahl, Regelklassifizierung und Ergebnisbewertung.
Derzeit wird LingDT-Decision-1.0 bereits in realen Geschäftsszenarien von Ant Digital Technologies wie intelligentem Kundenservice, Sicherheits- und Risikokontrolle sowie Finanzanwendungen getestet. Der Kernansatz besteht darin, das große Modell vom bisherigen „zuerst eine strukturierte Antwort generieren, dann die nachgelagerte Analyse“ hin zu „direktem Treffen einer Entscheidung innerhalb begrenzter Optionen“ zu führen. Dies reduziert nicht nur Formatprobleme durch instabile Ausgaben, sondern macht auch den ursprünglich umständlichen Prozess von Analyse und Validierung wesentlich einfacher.
Beispielsweise sank im Szenario der Datenannotation der Token-Verbrauch im Vergleich zu DS-V4-flash um etwa 97 %, und die Bearbeitungsgeschwindigkeit verbesserte sich um etwa das 10-Fache; im Szenario des intelligenten Kundenservices sank der Token-Verbrauch im Vergleich zu Qwen-3.7-flash um 90 %, die Bearbeitungsgeschwindigkeit verbesserte sich um etwa das 1-Fache, und die Genauigkeit der Risikoerkennung stieg von 76 % auf 89 %.
Im Finanzanwendungsszenario verbesserte sich die Bearbeitungszeit bei Aufgaben wie Absichtserkennung, Tool-Aufruf und Halluzinationserkennung um etwa das 5-Fache, die vollständige Übereinstimmungsrate der Tool-Kombinationen stieg um etwa das 2,6-Fache, und die Halluzinations-Recall-Rate erhöhte sich von 44 % auf 70 %, wodurch Risiken sensitiver erkannt werden.
Insgesamt zeigt LingDT-Decision-1.0 in mehreren realen Szenarien stabil die Vorteile niedrigerer Kosten, schnellerer Reaktionen und genauerer Urteile. Gleichzeitig kann das Modell mit einem einzigen Modell verschiedene Arten von Beurteilungsaufgaben abdecken, ist einfacher zu integrieren und wartungsärmer und lässt sich daher leichter in unterschiedlichen Geschäftsszenarien wiederverwenden und verbreiten.
Entwicklung des Entscheidungsmodells der nächsten Generation: zwei Funktionen als weltweite Neuheit
Im Vergleich zu anderen Entscheidungsmodellen legt Ant Digital Technologies mit LingDT-Decision-1.0 stärkeren Fokus auf die Ausrichtung an realen Unternehmensanwendungsszenarien. Neben grundlegenden Fähigkeiten wie Beurteilung, Einfachauswahl, Klassifizierung und Bewertung führt LingDT-Decision-1.0 als erstes Modell die Funktionen native Mehrfachauswahl und sequenzielle Entscheidung (DAG) ein, um den komplexen, mehrstufigen Entscheidungsanforderungen im Unternehmensgeschäft besser gerecht zu werden.
In Unternehmensszenarien ist der häufigere Fall nicht „eines auswählen“, sondern „eine Gruppe zu bearbeitender Aufgaben erkennen und in einer bestimmten Reihenfolge ausführen“. Wenn ein Nutzer beispielsweise sagt: „Ich möchte eine Rückerstattung, die Verlängerung kündigen und eine Rechnung nachreichen, aber mein Konto nicht löschen.“, kann die Einfachauswahl oft nur das Hauptanliegen „Rückerstattung“ erkennen und übersieht leicht andere Bedürfnisse. Die Mehrfachauswahl kann hingegen alle Anliegen auf einmal erkennen; der sequenzielle Entscheidungsmodus kann darüber hinaus bewerten: Die Rückerstattung muss zuerst geprüft werden, die Kündigung der Verlängerung kann sofort ausgeführt werden, und die Rechnungsbearbeitung muss möglicherweise auf das Ergebnis der Rückerstattung warten.
Daher entsprechen Mehrfachauswahl und sequenzielle Entscheidung eher realen Geschäftsprozessen und können Genauigkeit und endgültiges Bearbeitungsergebnis stärker verbessern.
Bei der nativen Mehrfachauswahl-Funktion erlaubt LingDT-Decision-1.0, dass eine Aufgabe mehrere Kandidaten gleichzeitig trifft, und deckt damit Anforderungen wie Multi-Label-Erkennung, zusammengesetzte Absichten und Tool-Kombinationen ab; bei der sequenziellen Entscheidungsfunktion kann das Modell mehrstufige Entscheidungen entsprechend den Abhängigkeiten zwischen den Aufgaben treffen, was besser zu realen Geschäftsprozessen in Bereichen wie Finanzen, Risikokontrolle und Kundenservice passt.
Die Testergebnisse über 23 gängige offene Bewertungsbenchmarks zeigen, dass die Version 27B von LingDT-Decision-1.0 beim Gesamtwert (90 % x Einfachauswahl-Wert + 10 % x Mehrfachauswahl-Wert) den ersten Platz belegte und die Genauigkeit beliebte Entscheidungsmodelle wie Microsoft-Decision-1, Jev1.13.0 und Fastino/GLiDE übertraf.
Dabei übertraf bei Mehrfachauswahl-Aufgaben die Genauigkeit der Versionen 4B und 27B von LingDT-Decision-1.0 insgesamt 16 Entscheidungsmodelle wie Microsoft-Decision-1Jev1.13.0 und Star-lux, was den Vorteil der nativen Mehrfachauswahl bei Multi-Label- und Kombinationsbeurteilungsaufgaben unterstreicht. Bei Einfachauswahl-Aufgaben gehörte das Modell zur ersten Reihe.