Le 22 octobre, Ant Digital Technologies a officiellement publié le modèle décisionnel LingDT-Decision-1.0. Ce modèle est conçu spécifiquement pour la prise de décision rapide ; dans le traitement des tâches décisionnelles structurées, il présente des avantages tels qu'une précision plus élevée, une réponse plus rapide et un coût en Tokens plus faible, le rendant particulièrement adapté aux scénarios d'IA industrielle. LingDT-Decision-1.0 est proposé en deux versions, 4B et 27B ; le modèle est actuellement disponible sur la plateforme DTMaaS d'Ant Digital Technologies, et les développeurs peuvent l'essayer gratuitement pendant une durée limitée.
Les tests de l'équipe d'Ant Digital Technologies dans des scénarios d'activités réels comme le service client, le contrôle des risques et la finance montrent que, pour les mêmes tâches, LingDT-Decision-1.0 peut réduire la consommation de Tokens de plus de 90 % par rapport aux grands modèles de langage, améliorer le temps de réponse d'un facteur 10, tout en offrant de meilleures performances.
Par rapport aux autres modèles décisionnels, LingDT-Decision-1.0 est le premier à prendre en charge nativement la multi-sélection et la décision séquentielle, ce qui le rend mieux adapté aux scénarios d'application réels des entreprises. Sur 23 benchmarks d'évaluation open source, le score global de LingDT-Decision-1.0 dépasse ceux des modèles décisionnels populaires comme Microsoft-Decision-1 et Jev1.13., et la version 27B de LingDT-Decision-1.0 atteint la meilleure précision parmi les modèles de même taille de paramètres.
Conçu spécifiquement pour les tâches de décision, avec une consommation de Tokens réduite de plus de 90 %, plus rapide et plus précis
Dans les applications réelles des entreprises, il existe une grande quantité de tâches décisionnelles à haute fréquence.
Par exemple, dans un scénario de service client, après réception de la demande « Cette commande est en attente depuis trois jours sans expédition, veuillez la traiter rapidement. », l'IA doit rapidement effectuer une série de jugements et de décisions : le type de problème (remboursement, relance de commande ou plainte ?), l'urgence du ticket (nécessite-t-il un traitement prioritaire), le service responsable (à quel département acheminer le ticket) et l'évaluation du risque (une prise en charge humaine est-elle nécessaire).
Les grands modèles de langage traditionnels présentent des faiblesses évidentes dans ce type de scénario. Les grands modèles de langage doivent généralement raisonner token par token (Token), puis générer le texte de sortie : la chaîne de traitement est longue, coûteuse, plus sujette aux erreurs et aux performances instables.
Le modèle décisionnel est justement conçu pour répondre à ces problématiques : son objectif n'est pas de générer du texte, mais de porter des jugements rapides et précis. Il est donc naturellement adapté aux tâches décisionnelles à haute fréquence dans les activités des entreprises, telles que la détection d'intention, la sélection d'outils, la classification par règles et la notation des résultats.
Actuellement, le modèle LingDT-Decision-1.0 est déjà en cours de test dans des scénarios d'activités réels d'Ant Digital Technologies, tels que le service client intelligent, la sécurité et le contrôle des risques, et les applications financières. Son approche fondamentale consiste à faire évoluer les grands modèles d'une logique de « génération d'abord d'une réponse structurée, puis analyse ultérieure » vers un « jugement direct parmi des options limitées ». Cela réduit non seulement les problèmes de format liés à l'instabilité des sorties, mais simplifie aussi les processus autrefois fastidieux d'analyse et de vérification.
Par exemple, dans un scénario d'annotation de données, la consommation de Tokens est réduite d'environ 97 % par rapport à DS-V4-flash, avec un temps de traitement amélioré d'environ 10 fois ; dans un scénario de service client intelligent, la consommation de Tokens est réduite de 90 % par rapport à Qwen-3.7-flash, le temps de traitement est amélioré d'environ 1 fois, et la précision de l'identification des risques passe de 76 % à 89 %.
Dans les scénarios d'applications financières, pour des tâches comme la reconnaissance d'intention, l'appel d'outils et la détection d'hallucinations, le temps de traitement est amélioré d'environ 5 fois, le taux de correspondance complète des combinaisons d'outils est multiplié par environ 2.6, et le taux de rappel des hallucinations passe de 44 % à 70 %, pour une détection des risques plus sensible.
Globalement, LingDT-Decision-1.0 démontre de manière stable, dans plusieurs scénarios réels, ses avantages d'un coût plus faible, d'une réponse plus rapide et d'un jugement plus précis. Parallèlement, il peut, avec un seul modèle, s'adapter à plusieurs types de tâches de jugement, avec une intégration plus simple et une maintenance moins laborieuse, ce qui facilite sa réutilisation et sa diffusion dans différents scénarios d'activités.
Construire la nouvelle génération de modèles décisionnels, avec deux fonctionnalités en première mondiale
Par rapport aux autres modèles décisionnels, LingDT-Decision-1.0 d'Ant Digital Technologies met davantage l'accent sur la conception orientée vers les scénarios d'application réels des entreprises. Outre les capacités de base telles que le jugement, la sélection unique, la classification et l'évaluation, LingDT-Decision-1.0 introduit en première mondiale les fonctionnalités de multi-sélection native et de décision séquentielle (DAG), afin de mieux répondre aux besoins décisionnels complexes et en plusieurs étapes des activités des entreprises.
Dans les scénarios d'entreprise, le cas le plus courant n'est pas de « choisir une seule option », mais d'« identifier un ensemble de demandes à traiter et de les exécuter dans l'ordre ». Par exemple, lorsqu'un utilisateur demande : « Je veux un remboursement, résilier le renouvellement automatique, obtenir une facture, mais ne pas supprimer mon compte. » Une sélection unique ne reconnaît souvent que la demande principale « remboursement », et omet facilement les autres besoins. La multi-sélection, elle, reconnaît toutes les demandes en une fois ; la décision séquentielle peut en outre déterminer que le remboursement doit d'abord être vérifié, la résiliation du renouvellement peut être exécutée en premier, et le traitement de la facture devra peut-être attendre le résultat du remboursement.
La multi-sélection et la décision séquentielle sont donc plus proches des processus d'activités réels et permettent davantage d'améliorer la précision et le résultat final du traitement.
En matière de multi-sélection native, LingDT-Decision-1.0 permet à une tâche de correspondre simultanément à plusieurs candidats, s'adaptant aux besoins de reconnaissance multi-étiquettes, d'intentions composées et de combinaisons d'outils ; en matière de décision séquentielle, le modèle est capable de réaliser des décisions en plusieurs étapes selon les relations de dépendance entre les tâches, se rapprochant davantage des processus réels des activités dans la finance, le contrôle des risques ou le service client.
Les résultats des tests couvrant 23 benchmarks d'évaluation open source majeurs montrent que la version 27B de LingDT-Decision-1.0 obtient le premier score global (90 % x score de sélection unique + 10 % x score de multi-sélection), avec une précision supérieure aux modèles décisionnels populaires comme Microsoft-Decision-1, Jev1.13.0 et Fastino/GLiDE.
En particulier, sur les tâches de multi-sélection, les versions 4B et 27B de LingDT-Decision-1.0 affichent une précision supérieure à celle de 16 modèles décisionnels dont Microsoft-Decision-1Jev1.13.0 et Star-lux, démontrant l'avantage de la capacité de multi-sélection native dans les tâches de jugement multi-étiquettes et combinées. Sur les tâches de sélection unique, il se situe dans le premier peloton.