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, ofrece una mayor precisión, respuestas más rápidas y un menor costo en Tokens, por lo que es 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 de forma gratuita por tiempo limitado.
Las pruebas del equipo de Ant Digital Technologies en escenarios reales de negocio como atención al cliente, control de riesgos y finanzas muestran que, al procesar las mismas tareas, LingDT-Decision-1.0 reduce el consumo de Tokens en más de un 90% en comparación con los grandes modelos de lenguaje, mejora el tiempo de respuesta en 10 veces y ofrece un mejor rendimiento.
En comparación con otros modelos de decisión, LingDT-Decision-1.0 es pionero en admitir de forma nativa la capacidad de selección múltiple y decisión ordenada, adaptándose mejor a los escenarios reales de aplicación empresarial. En 23 benchmarks de evaluación de código abierto, la puntuación global de LingDT-Decision-1.0 superó a modelos de decisión populares como Microsoft-Decision-1 y Jev 1.13., y la versión 27B de LingDT-Decision-1.0 logró la mayor precisión entre los modelos de igual tamaño de parámetros.
(Nota de la imagen: las zonas de ventaja de las versiones 4B/27B de LingDT Decision cubren modelos de decisión de tamaños relacionados como Jev, MS Decision, GLiDE, mostrando una relación coste-rendimiento global extremadamente sólida)
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 procéselo cuanto antes», la IA necesita realizar rápidamente una serie de juicios y decisiones: tipo de problema (¿reembolso, apremio de pedido o queja?), urgencia del ticket (¿requiere prioridad?), departamento responsable (¿a qué departamento se envía el ticket?) y evaluación de riesgo (¿es necesario intervenir manualmente?).
Los grandes modelos de lenguaje tradicionales presentan carencias evidentes en este tipo de escenarios. Los grandes modelos de lenguaje suelen necesitar razonar token a token y luego generar el texto de salida, lo que implica un proceso largo y costoso, más propenso a errores y con un rendimiento menos estable.
Los modelos de decisión están diseñados precisamente para responder a estos puntos de dolor: su objetivo no es generar texto, sino emitir juicios rápidos y precisos. Por tanto, son naturalmente adecuados para asumir tareas de decisión de alta frecuencia en el negocio empresarial, como la identificación de intenciones, la selección de herramientas, la clasificación de reglas y la puntuación de resultados.
Actualmente, el modelo LingDT-Decision-1.0 ya está siendo probado en escenarios reales de negocio 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, pasando de «generar primero una respuesta estructurada y luego analizarla» a «juzgar directamente dentro de un conjunto de 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 tediosos.
Por ejemplo, en el escenario de anotación de datos, en comparación con DS-V4-flash, el consumo de Tokens 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 Tokens se reduce en un 90% y el tiempo de procesamiento mejora aproximadamente 1 vez, al tiempo que la precisión en la identificación de riesgos aumenta del 76% al 89%.
En el escenario de aplicaciones financieras, en tareas como el reconocimiento de intenciones, la llamada de herramientas y la detección de alucinaciones, el tiempo de procesamiento mejora en unas 5 veces, la tasa de coincidencia completa de combinaciones de herramientas aumenta en unas 2.6 veces, y la tasa de recall de alucinaciones mejora del 44% al 70%, con una detección de riesgos más sensible.
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, con un solo modelo puede adaptarse a múltiples tipos de tareas de juicio, con una integración más sencilla y un mantenimiento menos laborioso, por lo que también resulta más fácil de reutilizar y promover en distintos escenarios de negocio.
Construyendo la próxima generación de modelos de decisión, dos funciones estrenadas mundialmente
En comparación con otros modelos de decisión, LingDT-Decision-1.0 de Ant Digital Technologies hace mayor hincapié en la creación para escenarios reales de aplicación empresarial. Además de las capacidades básicas de juicio, selección única, clasificación y evaluación, LingDT-Decision-1.0 estrena de forma pionera las funciones de selección múltiple nativa y decisión ordenada (DAG), que se adaptan mejor a las necesidades de decisión complejas y de múltiples pasos en el negocio empresarial.
En los escenarios empresariales, lo más habitual no es «elegir uno», sino «identificar un conjunto de asuntos a tratar y ejecutarlos en orden». Por ejemplo, cuando un usuario solicita: «Quiero un reembolso, cancelar la renovación y que me emitan la factura, pero no cerrar la cuenta», la selección única a menudo solo identifica la demanda principal de «reembolso», pasando por alto otras necesidades. La selección múltiple puede identificar todas las demandas de una sola vez; la decisión ordenada puede además determinar: el reembolso requiere una verificación previa, la cancelación de la renovación puede ejecutarse de inmediato, y el procesamiento de la factura quizá deba esperar al resultado del reembolso. Por lo tanto, la selección múltiple y la decisión ordenada se ajustan más a los flujos de negocio reales y mejoran más 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 varios candidatos, adaptándose a necesidades como el reconocimiento multietiqueta, las intenciones compuestas y las combinaciones de herramientas; en cuanto a la capacidad de decisión ordenada, el modelo puede completar decisiones de varios pasos según las dependencias entre tareas, ajustándose más a los flujos reales de negocio en finanzas, control de riesgos y atención al cliente.
Los resultados de las pruebas que abarcan 23 benchmarks de evaluación de código abierto de referencia 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, Jev 1.13.0 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, entre ellos Microsoft-Decision-1, Jev 1.13.0 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.
(Nota de la imagen: un gráfico de 2 dimensiones de las capacidades de selección única/múltiple muestra que LingDT Decision 4B/27B pertenece al Tier-1 en capacidades de selección única & juicio, superando a la gran mayoría de los modelos de tamaño similar; mientras que la «capacidad de selección múltiple nativa» lidera con una ventaja abrumadora)
Este artículo fue proporcionado por Ant; QbitAI lo reproduce con autorización; las opiniones pertenecen al autor original.