10월 22일, 蚂蚁数科가 의사결정 모델 LingDT-Decision-1.0을 정식 출시했다. 이 모델은 빠른 의사결정을 위해 특별히 설계되었으며, 구조화된 의사결정 태스크를 처리할 때 더 높은 정확도, 더 빠른 응답 속도, 더 낮은 Token 비용 등의 장점을 갖추고 있어 특히 산업 AI 시나리오에 적합하다. LingDT-Decision-1.0은 4B와 27B 두 가지 버전을 제공하며, 현재 모델은 蚂蚁数科 DTMaaS 플랫폼에 상장되어 개발자가 기간 한정으로 무료 체험이 가능하다.
蚂蚁数科 팀의 고객 서비스, 리스크 관리, 금융 등 실제 비즈니스 시나리오 테스트 결과에 따르면, 동일한 태스크를 처리할 때 LingDT-Decision-1.0은 대규모 언어 모델에 비해 Token 소비를 90% 이상 줄이고, 응답 시간을 10배 향상시키며, 성능 면에서도 더 우수한 모습을 보였다.
다른 의사결정 모델에 비해, LingDT-Decision-1.0은 네이티브 다중 선택 및 순차 의사결정 기능을 최초로 지원하여 기업의 실제 적용 시나리오에 더 잘 부합한다. 23개 오픈소스 평가 벤치마크에서 LingDT-Decision-1.0의 종합 점수는 Microsoft-Decision-1, Jev1.13. 등 인기 의사결정 모델을 넘어섰으며, LingDT-Decision-1.0의 27B 버전은 동일 파라미터 모델 중 최고 정확도를 달성했다.
의사결정 태스크를 위해 특별히 설계되어 Token 소비가 90% 이상 직접 감소, 더 빠르고 더 정확
기업의 실제 적용에서는 대량의 고빈도 의사결정류 태스크가 존재한다.
예를 들어 고객 서비스 시나리오에서 "이 주문은 벌써 3일이 지났는데 아직 발송되지 않았습니다. 최대한 빨리 처리해 주세요."라는 문의를 받으면, AI는 빠르게 일련의 판단과 의사결정을 수행해야 한다: 문제 유형(환불, 배송 독촉, 불만?), 티켓 긴급도(우선 처리가 필요한지), 담당 부서(티켓을 어느 부서로 배정할지), 리스크 판단(人工 개입이 필요한지).
전통적인 대규모 언어 모델은 이런 시나리오에서 뚜렷한 약점이 있다. 대규모 언어 모델은 일반적으로 글자(Token) 단위로 추론을 수행한 후 출력 텍스트를 생성해야 하므로, 절차가 길고 비용이 높으며 오류가 발생하기 쉽고 성능이 충분히 안정적이지 않다.
의사결정 모델은 바로 이러한 문제점을 해결하기 위해 설계되었으며, 그 목표는 텍스트를 생성하는 것이 아니라 빠르고 정확한 판단을 내리는 것이다. 따라서 의도 판단, 도구 선택, 규칙 분류, 결과 채점 등 기업 비즈니스의 고빈도 의사결정형 태스크를 수행하는 데 자연스럽게 적합하다.
현재 LingDT-Decision-1.0 모델은 蚂蚁数科의 지능형 고객 서비스, 보안 리스크 관리, 금융 응용 등 실제 비즈니스 시나리오에서 테스트가 진행되고 있다. 그 핵심 발상은 대규모 모델을 "먼저 구조화된 답변을 생성한 후 후속 파싱을 수행하는" 방식에서 "제한된 옵션 안에서 직접 판단을 내리는" 방식으로 전환하는 것이다. 이는 출력 불안정으로 인한 형식 문제를 줄일 뿐만 아니라, 원래 번거로웠던 파싱 및 검증 절차를 더욱 간단하게 만든다.
예를 들어, 데이터 라벨링 시나리오에서는 DS-V4-flash에 비해 Token 소비가 약 97% 감소하고 처리 시간이 약 10배 향상되었다. 지능형 고객 서비스 시나리오에서는 Qwen-3.7-flash에 비해 Token 소비가 90% 감소하고 처리 시간이 약 1배 향상되었으며, 동시에 리스크 식별 정확도가 76%에서 89%로 향상되었다.
금융 응용 시나리오에서는 의도 식별, 도구 호출, 환각 감지 등의 태스크에서 처리 시간이 약 5배 향상되었고, 도구 조합 완전 일치율이 약 2.6배 향상되었으며, 동시에 환각 재현율이 44%에서 70%로 향상되어 리스크 발견이 더욱 민감해졌다.
종합적으로 보면, LingDT-Decision-1.0은 여러 실제 시나리오에서 더 낮은 비용, 더 빠른 응답, 더 정확한 판단이라는 장점을 안정적으로 보여주었다. 동시에 하나의 모델 세트로 여러 유형의 판단 태스크에 적용할 수 있어 접속이 더 간단하고 유지 관리가 더 수월하므로, 다양한 비즈니스 시나리오에서 재사용과 확산이 더욱 쉽다.
차세대 의사결정형 모델 구축, 두 가지 기능 글로벌 최초 공개
다른 의사결정 모델에 비해, 蚂蚁数科의 LingDT-Decision-1.0은 기업의 실제 적용 시나리오를 겨냥한 구축을 더욱 강조한다. 판단, 단일 선택, 분류, 등급 평가 등 기본 기능 외에도 LingDT-Decision-1.0은 네이티브 다중 선택 및 순차 의사결정(DAG) 기능을 최초로 선보여, 기업 비즈니스의 복잡하고 다단계적인 의사결정 수요에 더 잘 부합할 수 있다.
기업 시나리오에서 더 보편적인 것은 "하나를 선택하는" 것이 아니라, "처리해야 할 일련의 항목을 식별하고 순서대로 실행하는" 것이다. 예를 들어 사용자가 "환불, 자동 갱신 해지, 세금계산서 발행을 원하지만 계정은 탈퇴하지 않겠습니다."라고 요청하면, 단일 선택은 종종 "환불"이라는 주요 요구만 식별하여 다른 수요를 놓치기 쉽다. 반면 다중 선택은 모든 요구를 한 번에 식별할 수 있고, 순차 의사결정은 나아가 판단할 수 있다: 환불은 먼저 검증이 필요하고, 자동 갱신 해지는 먼저 실행할 수 있으며, 세금계산서 처리는 환불 결과를 기다려야 할 수 있다.
따라서 다중 선택과 순차 의사결정은 실제 비즈니스 프로세스에 더 가깝고, 정확도와 최종 처리 효과도 더욱 향상시킬 수 있다.
네이티브 다중 선택 기능에서 LingDT-Decision-1.0은 하나의 태스크가 동시에 여러 후보에 매칭되는 것을 허용하여, 다중 라벨 식별, 복합 의도, 도구 조합 등의 수요에 부합한다. 순차 의사결정 기능에서 모델은 태스크 간의 의존 관계에 따라 다단계 의사결정을 완료할 수 있어, 금융, 리스크 관리, 고객 서비스 등 실제 비즈니스 프로세스에 더 가깝다.
23개 주류 오픈소스 평가 벤치마크를 포괄한 테스트 결과에 따르면, LingDT-Decision-1.0의 27B 버전은 종합 점수(90%x 단일 선택 점수+10%x 다중 선택 점수)에서 1위를 차지했으며, 정확도가 Microsoft-Decision-1, Jev1.13.0, Fastino/GLiDE 등 인기 의사결정 모델을 능가했다.
그중 다중 선택 태스크에서 LingDT-Decision-1.0의 4B와 27B 버전은 정확도 면에서 Microsoft-Decision-1Jev1.13.0, Star-lux 등 16개 의사결정 모델을 능가하며, 다중 라벨 및 조합 판단 태스크에서 네이티브 다중 선택 기능의 우수성을 보여주었다. 단일 선택 태스크에서는 1위 그룹에 자리했다.