El 22 de octubre, Ant Digital Technologies lanzó oficialmente el modelo de decisión LingDT-Decision-1.0. Este modelo está diseñado específicamente para la toma rápida de decisiones y, al procesar tareas de decisión estructuradas, presenta ventajas como mayor precisión, respuestas más rápidas y un menor coste en tokens, por lo que resulta especialmente adecuado para escenarios de IA industrial. LingDT-Decision-1.0 ofrece dos versiones, 4B y 27B. Actualmente, el modelo ya está disponible en la plataforma DTMaaS de Ant Digital Technologies, y los desarrolladores pueden probarlo gratis por tiempo limitado.
Las pruebas del equipo de Ant Digital Technologies en escenarios comerciales reales como atención al cliente, control de riesgos y finanzas mostraron que, al procesar las mismas tareas, LingDT-Decision-1.0 puede reducir el consumo de tokens en más del 90% en comparación con los grandes modelos de lenguaje, mejorar el tiempo de respuesta en 10 veces y ofrecer un rendimiento superior.
En comparación con otros modelos de decisión, LingDT-Decision-1.0 es pionero en admitir de forma nativa la selección múltiple y la decisión secuencial, lo que lo adapta mejor a los escenarios de aplicación reales de las empresas. En 23 puntos de referencia de evaluación de código abierto, la puntuación global de LingDT-Decision-1.0 superó a modelos de decisión populares como Microsoft-Decision-1 y Jev1.13., y la versión 27B de LingDT-Decision-1.0 logró la mayor precisión entre los modelos con parámetros equivalentes.
Diseñado específicamente para tareas de decisión, reduce el consumo de tokens en más del 90%, más rápido y más preciso
En las aplicaciones empresariales reales existen numerosas tareas de decisión de alta frecuencia.
Por ejemplo, en un escenario de atención al cliente, tras recibir la consulta "Este pedido lleva tres días sin enviarse, por favor tramítenlo cuanto antes", la IA debe realizar rápidamente una serie de juicios y decisiones: el tipo de problema (¿reembolso, apremio de pedido o reclamación?), la urgencia del ticket (¿requiere atención prioritaria?), el departamento correspondiente (¿a qué departamento se envía el ticket?) y la evaluación del riesgo (¿es necesario que intervenga un humano?).
Los grandes modelos de lenguaje tradicionales presentan claras carencias en este tipo de escenarios. Los grandes modelos de lenguaje suelen necesitar razonar token a token para luego generar el texto de salida, lo que implica un proceso largo, un coste elevado, una mayor propensión a errores y un rendimiento poco estable.
El modelo de decisión está precisamente diseñado para resolver estos puntos de dolor: su objetivo no es generar texto, sino emitir juicios rápidos y precisos. Por ello, es naturalmente adecuado para asumir tareas de decisión de alta frecuencia en los negocios empresariales, como el juicio de intenciones, la selección de herramientas, la clasificación según reglas y la puntuación de resultados.
Actualmente, el modelo LingDT-Decision-1.0 ya se está probando en escenarios comerciales reales de Ant Digital Technologies, como atención al cliente inteligente, seguridad y control de riesgos, y aplicaciones financieras. Su idea central es transformar el enfoque del gran modelo de "generar primero una respuesta estructurada y luego analizarla" a "emitir un juicio directamente entre opciones limitadas". Esto no solo reduce los problemas de formato derivados de una salida inestable, sino que también simplifica los procesos de análisis y verificación que antes eran engorrosos.
Por ejemplo, en el escenario de etiquetado de datos, en comparación con DS-V4-flash, el consumo de Token se reduce en aproximadamente un 97% y el tiempo de procesamiento mejora unas 10 veces; en el escenario de atención al cliente inteligente, en comparación con Qwen-3.7-flash, el consumo de Token se reduce en un 90% y el tiempo de procesamiento mejora aproximadamente 1 vez, mientras que la precisión en la identificación de riesgos aumenta del 76% al 89%.
En escenarios de aplicaciones financieras, en tareas como el reconocimiento de intenciones, la invocación de herramientas y la detección de alucinaciones, mejora el tiempo de procesamiento en unas 5 veces y multiplica por aproximadamente 2.6 la tasa de coincidencia completa de combinaciones de herramientas; además, la tasa de recuperación de alucinaciones pasa del 44% al 70%, con una mayor sensibilidad en la detección de riesgos.
En conjunto, LingDT-Decision-1.0 demuestra de forma estable en múltiples escenarios reales las ventajas de un menor coste, respuestas más rápidas y juicios más precisos. Al mismo tiempo, puede adaptar un solo modelo a múltiples tipos de tareas de juicio, con una integración más sencilla y un mantenimiento menos exigente, por lo que resulta más fácil de reutilizar y difundir en distintos escenarios de negocio.
Construir la próxima generación de modelos de decisión, con dos funciones estrenadas a nivel mundial
En comparación con otros modelos de decisión, LingDT-Decision-1.0 de Ant Digital Technologies pone mayor énfasis en su creación orientada a los escenarios de aplicación reales de las empresas. Además de las capacidades básicas de juicio, selección única, clasificación y calificación, LingDT-Decision-1.0 estrena de forma pionera las funciones de selección múltiple nativa y decisión secuencial (DAG), capaces de adaptarse mejor a las complejas necesidades de decisión de múltiples pasos en los negocios empresariales.
En los escenarios empresariales, lo más habitual no es "elegir uno", sino "identificar un conjunto de asuntos que gestionar y ejecutarlos en orden". Por ejemplo, cuando un usuario solicita: "Quiero un reembolso, cancelar la renovación y que me emitan la factura, pero no quiero eliminar mi cuenta", la selección única suele identificar solo la demanda principal de "reembolso", omitiendo fácilmente las demás necesidades. En cambio, la selección múltiple puede identificar todas las demandas de una sola vez; y la decisión secuencial puede además determinar que: el reembolso requiere una verificación previa, la cancelación de la renovación puede ejecutarse primero y el procesamiento de la factura quizá deba esperar al resultado del reembolso.
Por tanto, la selección múltiple y la decisión secuencial se ajustan mejor a los flujos de negocio reales y pueden mejorar en mayor medida la precisión y el resultado final del procesamiento.
En cuanto a la capacidad de selección múltiple nativa, LingDT-Decision-1.0 permite que una tarea coincida simultáneamente con múltiples candidatas, adaptándose a necesidades como el reconocimiento multietiqueta, las intenciones compuestas y las combinaciones de herramientas; en cuanto a la capacidad de decisión secuencial, el modelo puede completar decisiones de varios pasos según las relaciones de dependencia entre tareas, acercándose más a los flujos de negocio reales de finanzas, control de riesgos y atención al cliente.
Los resultados de las pruebas que cubren 23 puntos de referencia principales de evaluación de código abierto muestran que la versión 27B de LingDT-Decision-1.0 obtuvo la primera posición en puntuación global (90% x puntuación de selección única + 10% x puntuación de selección múltiple), con una precisión superior a la de modelos de decisión populares como Microsoft-Decision-1, Jev1.13.0 y Fastino/GLiDE.
Entre ellos, en las tareas de selección múltiple, las versiones 4B y 27B de LingDT-Decision-1.0 superaron en precisión a 16 modelos de decisión, como Microsoft-Decision-1Jev1.13.0 y Star-lux, demostrando la ventaja de la capacidad de selección múltiple nativa en tareas de juicio multietiqueta y combinadas. En las tareas de selección única, se situó en el primer escalón.