Le 22 octobre, Ant Digital Technologies a officiellement publié le modèle de décision LingDT-Decision-1.0. Ce modèle est conçu spécifiquement pour la prise de décision rapide ; dans le traitement des tâches de décision structurées, il offre une précision plus élevée, une réponse plus rapide et un coût en Tokens plus faible, ce qui le rend particulièrement adapté aux scénarios d'IA industrielle. LingDT-Decision-1.0 est proposé en deux versions, 4B et 27B. À l'heure actuelle, le modèle est déjà en ligne sur la plateforme DTMaaS d'Ant Digital Technologies, et les développeurs peuvent le tester gratuitement pendant une durée limitée.
Les tests menés par l'équipe d'Ant Digital Technologies dans des scénarios métier réels tels que le service client, la gestion des risques et la finance montrent que, pour les mêmes tâches, LingDT-Decision-1.0, par rapport aux grands modèles de langage, réduit la consommation de Tokens de plus de 90 %, améliore le temps de réponse d'un facteur 10 et offre de meilleures performances.
Par rapport aux autres modèles de décision, LingDT-Decision-1.0 est le premier à prendre en charge nativement la multi-sélection et la décision séquentielle, ce qui le rend plus adapté aux scénarios d'application réels des entreprises. Sur 23 benchmarks d'évaluation open source, le score global de LingDT-Decision-1.0 dépasse celui des modèles de décision populaires tels que Microsoft-Decision-1 et Jev 1.13., et la version 27B de LingDT-Decision-1.0 atteint la plus haute précision parmi les modèles de taille équivalente.
(Légende : les zones d'avantage des versions 4B/27B de LingDT Decision couvrent des modèles de décision de tailles similaires, notamment Jev, MS Decision, GLiDE, etc., démontrant un rapport performance/prix global très solide)
Conçu spécifiquement pour les tâches de décision : 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 de décision à haute fréquence.
Par exemple, dans un scénario de service client, après avoir reçu la demande « Cette commande date déjà de trois jours et n'a toujours pas été expédiée, merci de la traiter rapidement. », l'IA doit rapidement effectuer une série de jugements et de décisions : le type de problème (remboursement, relance de commande ou réclamation ?), l'urgence du ticket (doit-il être traité en priorité), le service responsable (à quel département acheminer le ticket) et l'évaluation du risque (une intervention humaine est-elle nécessaire ?).
Les grands modèles de langage traditionnels présentent des faiblesses évidentes dans ce type de scénario. Ils effectuent généralement une raisonnement token par token avant de générer le texte de sortie, ce qui entraîne un processus long, des coûts élevés, davantage d'erreurs et des performances moins stables.
Le modèle de décision est précisément 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 de décision à haute fréquence dans les activités des entreprises, telles que la détection d'intention, le choix d'outils, la classification par règles et la notation des résultats.
À l'heure actuelle, le modèle LingDT-Decision-1.0 est déjà en phase de test dans des scénarios métier réels d'Ant Digital Technologies, tels que le service client intelligent, la sécurité et la gestion des risques, et les applications financières. Son idée centrale consiste à faire évoluer le grand modèle d'un fonctionnement « générer d'abord une réponse structurée, puis effectuer l'analyse ultérieure » vers un fonctionnement « porter directement un jugement parmi des options limitées ». Cela réduit non seulement les problèmes de format dus à une sortie instable, mais simplifie également les processus d'analyse et de vérification auparavant fastidieux.
Par exemple, dans un scénario d'annotation de données, par rapport à DS-V4-flash, la consommation de Tokens diminue d'environ 97 % et la vitesse de traitement augmente d'environ 10 fois ; dans un scénario de service client intelligent, par rapport à Qwen-3.7-flash, la consommation de Tokens diminue de 90 % et la vitesse de traitement augmente d'environ 1 fois, tout en améliorant la précision de l'identification des risques de 76 % à 89 %.
Dans les scénarios d'applications financières, pour des tâches telles que 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 %, avec une détection des risques plus sensible.
Globalement, LingDT-Decision-1.0 démontre de manière stable, dans de multiples scénarios réels, ses avantages de coût plus faible, de réponse plus rapide et de jugement plus précis. Par ailleurs, avec un seul ensemble de modèles, il s'adapte à plusieurs types de tâches de jugement, avec une intégration plus simple et une maintenance plus légère, ce qui facilite sa réutilisation et son déploiement dans différents scénarios métier.
Construire la prochaine génération de modèles de décision, deux fonctionnalités en première mondiale
Par rapport aux autres modèles de décision, LingDT-Decision-1.0 d'Ant Digital Technologies met davantage l'accent sur la conception pour les scénarios d'application réels des entreprises. En plus des 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), permettant de mieux répondre aux besoins de décision complexes et multi-étapes des activités des entreprises.
Dans les scénarios d'entreprise, le cas le plus courant n'est pas « en choisir un », mais « identifier un ensemble de tâches à traiter et les exécuter dans l'ordre ». Par exemple, lorsqu'un utilisateur demande : « Je veux un remboursement, fermer le renouvellement automatique et obtenir une facture, mais ne pas supprimer mon compte. », la sélection unique ne peut souvent identifier que la demande principale « remboursement » et risque d'oublier les autres besoins. La multi-sélection permet d'identifier toutes les demandes en une seule fois ; la décision séquentielle permet en outre de juger que : le remboursement nécessite une vérification préalable, la fermeture du renouvellement peut être exécutée en premier, et le traitement de la facture devra peut-être attendre le résultat du remboursement. Ainsi, la multi-sélection et la décision séquentielle sont plus proches des processus métier réels et améliorent davantage la précision et le résultat final du traitement.
En matière de multi-sélection native, LingDT-Decision-1.0 permet à une même 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 peut accomplir des décisions en plusieurs étapes selon les relations de dépendance entre les tâches, se rapprochant davantage des processus métier réels de la finance, de la gestion des risques et du service client.
Les résultats des tests couvrant 23 benchmarks d'évaluation open source de référence 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 à celle des modèles de décision populaires tels que Microsoft-Decision-1, Jev 1.13.0 et Fastino/GLiDE. En particulier, pour les tâches de multi-sélection, les versions 4B et 27B de LingDT-Decision-1.0 surpassent en précision 16 modèles de décision, dont Microsoft-Decision-1, Jev 1.13.0 et Star-lux, démontrant l'avantage de la multi-sélection native dans les tâches de jugement multi-étiquettes et combinées. Pour les tâches de sélection unique, il figure dans le premier peloton.
(Légende : développement en 2 dimensions de la carte des capacités à choix unique/choix multiple, montrant que LingDT Decision 4B/27B occupe le Tier-1 en matière de capacités de choix unique & de jugement, dépassant la grande majorité des modèles de même taille ; et une avance décisive et inégalée en « capacité native de choix multiple »)
Cet article est fourni par Ant et republié par QbitAI avec autorisation ; les opinions exprimées appartiennent à l'auteur original.