10月22日、アント数科は意思決定モデルLingDT-Decision-1.0を正式にリリースした。このモデルは迅速な意思決定のために開発されており、構造化された意思決定タスクを処理する際に、より高い精度、より速い応答、より低いTokenコストといった優位性を備え、特に産業AIシーンに適している。LingDT-Decision-1.0は4Bと27Bの2つのバージョンを提供しており、現在、モデルはすでにアント数科のDTMaaSプラットフォームで公開されており、開発者は期間限定で無料体験できる。
アント数科チームがカスタマーサービス、リスク管理、金融などの実際のビジネスシーンで実施したテストでは、同じタスクを処理する際、LingDT-Decision-1.0は大規模言語モデルと比較して、Token消費を90%以上削減でき、応答時間を10倍向上させ、しかも性能面でもより優れていることが示された。
他の意思決定モデルと比較して、LingDT-Decision-1.0はネイティブな複数選択と順序指定意思決定能力を初めてサポートし、企業の実際の応用シーンにより適している。23項目のオープンソース評価ベンチマークにおいて、LingDT-Decision-1.0の総合スコアはMicrosoft-Decision-1、Jev1.13.などの人気の意思決定モデルを上回り、LingDT-Decision-1.0の27Bバージョンは同パラメータのモデルの中で最高の精度を達成した。
意思決定タスクのために設計され、Token消費が90%以上直接削減、より速くより正確
企業の実際の応用には、大量の高頻度の意思決定タスクが存在する。
例えば、カスタマーサービスのシーンでは、「この注文はもう3日経つのにまだ発送されていません。早く対応してください。」という問い合わせを受けた後、AIは一連の判断と意思決定を迅速に行う必要がある:問題のタイプ（返金か、催促か、それともクレームか？）、チケットの緊急度（優先処理が必要か）、担当部門（チケットをどの部門に振り分けるか）、およびリスク判断（人手による引き継ぎが必要か）。
従来の大規模言語モデルは、この種のシーンにおいて明らかな弱点を抱えている。大規模言語モデルは通常、トークン（Token）単位で推論を行い、その後出力テキストを生成するため、プロセスが長く、コストが高く、誤りも発生しやすく、性能が十分に安定しない。
意思決定モデルはまさにこれらの課題に対応して設計されたものであり、その目標はテキストを生成することではなく、迅速かつ正確な判断を下すことである。そのため、意図判断、ツール選択、ルール分類、結果スコアリングなど、企業業務における高頻度の意思決定型タスクを担うのに天然に適している。
現在、LingDT-Decision-1.0モデルは、アント数科のインテリジェントカスタマーサービス、セキュリティリスク管理、金融応用などの実際のビジネスシーンでテストが進められている。その核心的な考え方は、大規模モデルを「まず構造化された回答を生成し、その後に解析する」という方式から、「限定された選択肢の中で直接判断を下す」という方式に転換することである。これにより、出力の不安定さに起因するフォーマット問題が減るだけでなく、本来は煩雑だった解析・検証プロセスも一層簡素化される。
例えば、データアノテーションのシーンでは、DS-V4-flashと比較してToken消費が約97%削減され、処理時間が約10倍向上した。インテリジェントカスタマーサービスのシーンでは、Qwen-3.7-flashと比較してToken消費が90%削減され、処理時間が約1倍向上し、同時にリスク識別の精度が76%から89%に向上した。
金融応用のシーンでは、意図識別、ツール呼び出し、ハルシネーション検出などのタスクにおいて、処理時間が約5倍向上し、ツール組み合わせの完全一致率が約2.6倍向上し、同時にハルシネーションの再現率が44%から70%に向上し、リスク発見がより敏感になった。
総合的に見ると、LingDT-Decision-1.0は複数の実際のシーンにおいて、コストがより低く、応答がより速く、判断がより正確という優位性を安定して示している。同時に、1つのモデルで複数の判定タスクに対応できるため、導入がより簡単で、保守もより省力であり、そのためさまざまなビジネスシーンでの再利用や展開もより容易である。
次世代の意思決定型モデルを構築、2大機能を世界初公開
他の意思決定モデルと比較して、アント数科のLingDT-Decision-1.0は企業の実際の応用シーンに向けて構築されていることをより重視している。判断、単一選択、分類、格付けなどの基本能力に加え、LingDT-Decision-1.0はネイティブな複数選択と順序指定意思決定（DAG）機能を初めて搭載し、企業業務における複雑で多段階の意思決定ニーズによりよく対応できる。
企業のシーンにおいて、より一般的なのは「1つを選ぶ」ことではなく、「処理すべき一連の事項を識別し、順番に実行する」ことである。例えば、ユーザーが「返金したい、継続課金を解約したい、領収書を発行してほしい。ただしアカウントは解約しないでほしい。」と要求した場合、単一選択では「返金」という主な要求しか識別できず、他のニーズを見落としやすい。一方、複数選択ならすべての要求を一度に識別でき、順序指定意思決定はさらに判断を進めることができる:返金は先に検証する必要があり、継続課金の解約は先に実行でき、領収書の処理は返金結果を待つ必要があるかもしれない。
そのため、複数選択と順序指定意思決定は実際のビジネスプロセスにより近く、精度と最終的な処理効果の向上にもより貢献できる。
ネイティブな複数選択能力において、LingDT-Decision-1.0は1つのタスクが複数の候補に同時に該当することを許容し、マルチラベル識別、複合意図、ツール組み合わせなどのニーズに対応できる。順序指定意思決定能力において、モデルはタスク間の依存関係に従って多段階の意思決定を完了でき、金融、リスク管理、カスタマーサービスなどの実際のビジネスプロセスにより近い。
23項目の主流オープンソース評価ベンチマークを網羅したテスト結果によると、LingDT-Decision-1.0の27Bバージョンは総合スコア（90%x単一選択スコア＋10%x複数選択スコア）で第1位となり、精度はMicrosoft-Decision-1、Jev1.13.0、Fastino/GLiDEなどの人気の意思決定モデルを上回った。
このうち、複数選択タスクにおいて、LingDT-Decision-1.0の4Bおよび27Bバージョンの精度は、Microsoft-Decision-1Jev1.13.0、Star-luxなど16個の意思決定モデルを上回り、マルチラベルおよび組み合わせ判定タスクにおけるネイティブ複数選択能力の優位性を示した。単一選択タスクにおいては、第1梯隊に位置している。