Am 22. Oktober hat Ant Digital Technologies offiziell das Entscheidungsmodell LingDT-Decision-1.0 veröffentlicht. Das Modell wurde speziell für schnelle Entscheidungen entwickelt und bietet bei der Verarbeitung strukturierter Entscheidungsaufgaben Vorteile wie höhere Genauigkeit, schnellere Reaktion und niedrigere Token-Kosten; es eignet sich besonders für KI-Szenarien in der Industrie. LingDT-Decision-1.0 ist in den beiden Versionen 4B und 27B verfügbar. Das Modell ist derzeit auf der DTMaaS-Plattform von Ant Digital Technologies online und Entwickler können es befristet kostenlos ausprobieren.
Tests des Teams von Ant Digital Technologies in realen Geschäftsszenarien wie Kundenservice, Risikokontrolle und Finanzen zeigen: Bei der Verarbeitung derselben Aufgaben kann LingDT-Decision-1.0 im Vergleich zu großen Sprachmodellen den Token-Verbrauch um mehr als 90 % senken, die Reaktionszeit um das 10-Fache verbessern und dabei eine bessere Leistung erbringen.
Im Vergleich zu anderen Entscheidungsmodellen unterstützt LingDT-Decision-1.0 als erstes Modell natives Multi-Choice sowie sequenzielle Entscheidungsfähigkeiten und passt sich damit besser an reale Unternehmensanwendungsszenarien an. In 23 offenen Bewertungsbenchmarks erreichte LingDT-Decision-1.0 in der Gesamtwertung höhere Punkte als beliebte Entscheidungsmodelle wie Microsoft-Decision-1 und Jev 1.13.; die 27B-Version von LingDT-Decision-1.0 erzielte unter Modellen gleicher Parametergröße die höchste Genauigkeit.
(Bildunterschrift: Die Vorteilsbereiche der Versionen 4B/27B von LingDT Decision, die Entscheidungsmodelle ähnlicher Größe wie Jev, MS Decision, GLiDE u. a. abdecken, zeigen ein äußerst starkes Gesamtpreis-Leistungs-Verhältnis)
Speziell für Entscheidungsaufgaben entwickelt: Token-Verbrauch sinkt direkt um mehr als 90 %, schneller und genauer
In der praktischen Anwendung in Unternehmen gibt es eine Vielzahl von häufig auftretenden Entscheidungsaufgaben.
Zum Beispiel muss im Kundenservice-Szenario, nachdem eine Anfrage wie „Diese Bestellung wurde seit drei Tagen noch nicht versandt, bitte schnellstmöglich bearbeiten.“ eingeht, die KI schnell eine Reihe von Einschätzungen und Entscheidungen treffen: Art des Problems (Rückerstattung, Lieferungsnachfrage oder Beschwerde?), Dringlichkeit des Vorgangs (ob priorisierte Bearbeitung nötig ist), zuständige Abteilung (an welche Abteilung der Vorgang weitergeleitet wird) sowie Risikobewertung (ob eine Übernahme durch einen Menschen erforderlich ist).
Traditionelle große Sprachmodelle weisen in solchen Szenarien deutliche Schwächen auf. Große Sprachmodelle müssen in der Regel Wort für Wort (Token) schlussfolgern und anschließend den Ausgabetext generieren; der Prozess ist lang, kostspielig, fehleranfälliger und die Leistung nicht stabil genug.
Entscheidungsmodelle wurden genau für diese Schmerzpunkte entwickelt; ihr Ziel ist nicht die Generierung von Text, sondern schnelle und genaue Urteile. Daher eignen sie sich von Natur aus für häufige Entscheidungsaufgaben im Unternehmensgeschäft, etwa 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 Kerngedanke besteht darin, das große Modell vom bisherigen Ablauf „erst eine strukturierte Antwort generieren, dann diese nachträglich parsen“ hin zu „direkt innerhalb begrenzter Optionen ein Urteil fällen“ zu führen. Dies reduziert nicht nur Formatprobleme durch instabile Ausgaben, sondern macht auch den ursprünglich umständlichen Prozess des Parsens und der Validierung deutlich einfacher.
Beispielsweise sank im Szenario der Datenannotation im Vergleich zu DS-V4-flash der Token-Verbrauch um etwa 97% und die Verarbeitungszeit verbesserte sich um etwa das 10-Fache; im Szenario des intelligenten Kundendienstes sank im Vergleich zu Qwen-3.7-flash der Token-Verbrauch um 90%, die Verarbeitungszeit verbesserte sich um etwa das 1-Fache, während die Genauigkeit der Risikoerkennung von 76% auf 89% stieg.
Im Szenario der Finanzanwendungen verbesserte sich bei Aufgaben wie Absichtserkennung, Tool-Aufrufen und Halluzinationserkennung die Verarbeitungsgeschwindigkeit um etwa das 5-Fache, die vollständige Übereinstimmungsrate der Tool-Kombinationen stieg um etwa das 2,6-Fache, während die Halluzinations-Rückrufrate von 44 % auf 70 % anstieg – Risiken werden empfindlicher erkannt.
Insgesamt zeigt LingDT-Decision-1.0 in mehreren realen Szenarien stabil die Vorteile niedrigerer Kosten, schnellerer Reaktion und genauerer Urteile. Gleichzeitig kann es mit einem einzigen Modell verschiedene Arten von Beurteilungsaufgaben abdecken, lässt sich einfacher integrieren und wartungsärmer betreiben und lässt sich daher auch leichter in unterschiedlichen Geschäftsszenarien wiederverwenden und verbreiten.
Entwicklung der nächsten Generation entscheidungsorientierter Modelle: Zwei Funktionen weltweit erstmals
Im Vergleich zu anderen Entscheidungsmodellen legt Ant Digital Technologies bei LingDT-Decision-1.0 stärkeren Wert auf die Ausrichtung an realen Unternehmensanwendungsszenarien. Neben Grundfähigkeiten wie Beurteilung, Einfachauswahl, Klassifizierung und Einstufung führt LingDT-Decision-1.0 als erstes Modell die Funktionen natives Multi-Choice und sequenzielle Entscheidung (DAG) ein und kann damit besser komplexe, mehrstufige Entscheidungsanforderungen im Unternehmensgeschäft abbilden.
In Unternehmensszenarien ist es häufiger der Fall, nicht „eines auszuwählen“, sondern „eine Gruppe zu bearbeitender Aufgaben zu erkennen und sie in einer bestimmten Reihenfolge auszuführen“. Wenn ein Nutzer zum Beispiel sagt: „Ich möchte eine Rückerstattung, die automatische Verlängerung kündigen und eine Rechnung nachreichen, aber mein Konto nicht löschen.“, erkennt die Einfachauswahl oft nur das Hauptanliegen „Rückerstattung“ und übersieht leicht andere Anforderungen. Die Mehrfachauswahl kann hingegen alle Anliegen auf einmal erkennen; die sequenzielle Entscheidung kann zudem weiter differenzieren: 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 Multi-Choice und sequenzielle Entscheidung eher echten Geschäftsabläufen und können Genauigkeit und endgültiges Bearbeitungsergebnis stärker verbessern.
Bei der Fähigkeit zum nativen Multi-Choice erlaubt LingDT-Decision-1.0, dass eine Aufgabe gleichzeitig mehrere Kandidaten trifft, und deckt Anforderungen wie Multi-Label-Erkennung, zusammengesetzte Absichten und Tool-Kombinationen ab; bei der sequenziellen Entscheidung kann das Modell mehrstufige Entscheidungen entsprechend den Abhängigkeiten zwischen den Aufgaben treffen und bildet damit reale Geschäftsabläufe in Finanzen, Risikokontrolle und Kundenservice besser ab.
Die Testergebnisse über 23 gängige offene Bewertungsbenchmarks zeigen: Die 27B-Version von LingDT-Decision-1.0 erreichte in der Gesamtwertung (90 % x Einfachauswahl-Score + 10 % x Multi-Choice-Score) den ersten Platz; die Genauigkeit übertrifft beliebte Entscheidungsmodelle wie Microsoft-Decision-1, Jev 1.13.0 und Fastino/GLiDE. Bei Multi-Choice-Aufgaben übertraf die Genauigkeit der 4B- und 27B-Versionen von LingDT-Decision-1.0 16 Entscheidungsmodelle darunter Microsoft-Decision-1, Jev 1.13.0 und Star-lux, was den Vorteil der nativen Multi-Choice-Fähigkeit bei Multi-Label- und Kombinationsbeurteilungsaufgaben zeigt. Bei Einfachauswahl-Aufgaben gehört es zur ersten Reihe.
(Bildunterschrift: Die 2-dimensionale Darstellung der Fähigkeiten für Einfachauswahl/Mehrfachauswahl zeigt, dass LingDT Decision 4B/27B bei Einfachauswahl-&Beurteilungsfähigkeiten zu Tier-1 gehört und die allermeisten Modelle gleicher Größe übertrifft; während die „native Mehrfachauswahl-Fähigkeit“ mit klarem Vorsprung führend ist)
Dieser Artikel wurde von Ant bereitgestellt; QbitAI hat ihn mit Genehmigung nachgedruckt. Die Meinungen liegen beim ursprünglichen Autor.