10月22日、螞蟻数科は決定モデル LingDT-Decision-1.0 を正式に発表した。このモデルは迅速な意思決定のために開発されたものであり、構造化された決定タスクを処理する際に、より高い精度、より速い応答、より低いトークンコストといった利点を備え、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、現在このモデルは螞蟻数科の DTMaaS プラットフォーム上に公開されており、開発者は期間限定で無料で体験できる。
螞蟻数科チームがカスタマーサービス、リスク管理、金融などの実業務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トークン消費を90%以上削減し、応答時間を10倍高速化しながら、より優れたパフォーマンスを発揮することが示された。
他の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付き決定能力を初めてサポートしており、企業の実アプリケーション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、Jev 1.13. などの人気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規模のモデルの中で最高の精度を達成した。
（図注：LingDT Decision の 4B/27B バージョンの優位エリアは、Jev、MS Decision、GLiDE などの決定モデルを含む関連サイズをカバーしており、極めて高い総合コストパフォーマンスを示している）
決定タスクのために設計され、トークン消費は90%以上直接削減、より速くより正確に
企業の実アプリケーションでは、高頻度の決定型タスクが大量に存在する。
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は一連の判断と決定を迅速に行う必要がある：問題の種類（返金か、発送催促か、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）、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確な弱点を抱えている。大規模言語モデルは通常、トークン単位で推論を行い、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、ミスも発生しやすく、パフォーマンスが十分に安定しない。
決定モデルはまさにこれらの課題を解決するために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、意図判定、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 モデルはすでに螞蟻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、金融アプリケーションなどの実業務シーンでテストが展開されている。その中心的な考え方は、大規模モデルの動作を「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」方式へと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、従来煩雑だった解析・検証プロセスもはるかに簡単になる。
例えば、データアノテーションのシーンでは、DS-V4-flash と比較してトークン消費が約97%低下し、処理速度が約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 と比較してトークン消費が90%低下し、処理速度が約1倍向上すると同時に、リスク識別の正確率は76%から89%へと向上した。
金融アプリケーションのシーンでは、意図認識、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倍向上すると同時に、ハルシネーションの検出率（リコール率）は44%から70%へと向上し、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利点を安定的に示している。同時に、一つのモデルで多種類の判定タスクに対応できるため、導入がより簡単で、保守の手間も少なく、異なる業務シーンでの再利用と展開がより容易である。
次世代の決定型モデルの構築、2大機能が世界初の搭載
他の決定モデルと比較して、螞蟻数科の LingDT-Decision-1.0 は企業の実アプリケーションシーンに向けた構築をより重視している。判断、単一選択、分類、評価などの基本能力に加えて、LingDT-Decision-1.0 はネイティブな複数選択と順序付き決定（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決定ニーズにより適切に対応できる。
企業のシーンでは、より一般的なのは「一つを選ぶ」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「返金して、継続課金を解約して、領収書を発行してほしい。ただし、アカウントの削除はしないでください。」と要求した場合、単一選択では「返金」という主要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る；順序付き決定ではさらに、返金は先に検証が必要、継続課金の解約は先に実行可能、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、といった判断も行える。したがって、複数選択と順序付き決定は実際の業務フローにより近く、精度と最終的な処理効果をより高めることができる。
ネイティブな複数選択能力において、LingDT-Decision-1.0 は一つのタスクが複数の候補に同時に該当することを可能にし、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する；順序付き決定能力において、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業務フローにより適合する。
23項目の主流オープンソース評価ベンチマークをカバーする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、Jev 1.13.0、Fastino/GLiDE などの人気決定モデルを上回った。そのうち、複数選択タスクでは、LingDT-Decision-1.0 の 4B と 27B バージョンの精度は Microsoft-Decision-1、Jev 1.13.0、Star-lux など16の決定モデルを上回り、マルチラベルと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ている。単一選択タスクでは、第1梯隊に位置している。
（図注：単一選択/複数選択能力の2次元図を用いた展開により、LingDT Decision 4B/27B の単一選択&判断能力が Tier-1 に属し、大多数の同サイズモデルを上回っていることを示す；一方「ネイティブ複数選択能力」は断トツのリードを見せている）
本記事は螞蟻の提供によるもので、量子位が許諾を得て転載したものであり、見解は原著作者に帰属する。