10월 22일, Ant Digital Technology가 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, 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 Ant Digital Technology의 DTMaaS 플랫폼에 이미 출시되어 있어 개발자가 기간 한정 무료로 체험할 수 있다.
Ant Digital Technology 팀이 고객 서비스, 리스크 관리, 금융 등 실제 비즈니스 시나리오에서 실시한 테스트 결과에 따르면, 동일한 태스크를 처리할 때 LingDT-Decision-1.0은 대규모 언어 모델에 비해 Token 소비를 90% 이상 절감하고, 응답 속도를 10배 향상시키며, 성능 면에서도 더 우수한 성과를 보였다.
다른 의사결정 모델에 비해, LingDT-Decision-1.0은 네이티브 다중 선택 및 순서형 의사결정 기능을 최초로 지원하여 기업의 실제 적용 시나리오에 더 잘 부합한다. 23개 오픈소스 평가 벤치마크에서 LingDT-Decision-1.0의 종합 점수는 Microsoft-Decision-1, Jev 1.13. 등 인기 의사결정 모델을 초과했으며, LingDT-Decision-1.0의 27B 버전은 동일 파라미터 모델 중 최고 정확도를 기록했다.
(그림 설명: LingDT Decision의 4B/27B 버전의 우위 영역은 Jev, MS Decision, GLiDE 등 의사결정 모델을 포함한 관련 크기를 커버하며, 매우 강력한 종합 가성비를 보여준다)
의사결정 태스크 전용 설계, Token 소비 90% 이상 직접 절감, 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. 빨리 처리해 주세요.”라는 문의를 받은 후, AI는 문제 유형(환불인지, 배송 독촉인지, 불만 접수인지?), 티켓 긴급도(우선 처리가 필요한지), 소속 부서(티켓을 어느 부서로 보낼지), 리스크 판단(사람의 개입이 필요한지) 등 일련의 판단과 의사결정을 빠르게 수행해야 한다.
전통적인 대규모 언어 모델은 이런 시나리오에서 뚜렷한 약점을 보인다. 대규모 언어 모델은 보통 토큰(Token) 단위로 추론을 수행한 후 출력 텍스트를 생성해야 하므로, 절차가 길고 비용이 높으며 오류가 발생하기 쉽고 성능이 충분히 안정적이지 않다.
의사결정 모델은 바로 이러한 페인 포인트를 겨냥해 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 현재 Ant Digital Technology의 지능형 고객 서비스, 보안 리스크 관리, 금융 애플리케이션 등 실제 비즈니스 시나리오에서 테스트가 진행되고 있다. 그 핵심 아이디어는 대규모 모델을 “먼저 구조화된 답변을 생성한 후 후속 파싱을 수행하는” 방식에서 “제한된 옵션 안에서 직접 판단을 내리는” 방식으로 전환하는 것이다. 이렇게 하면 출력 불안정으로 인한 포맷 문제를 줄일 수 있을 뿐만 아니라, 원래 번거로웠던 파싱 및 검증 절차도 더욱 간단해진다.
예를 들어, 데이터 라벨링 시나리오에서는 DS-V4-flash에 비해 Token 소비가 약 97% 절감되고 처리 속도가 약 10배 향상되었다. 지능형 고객 서비스 시나리오에서는 Qwen-3.7-flash에 비해 Token 소비가 90% 절감되고 처리 속도가 약 1배 향상되었으며, 동시에 리스크 식별 정확도가 76%에서 89%로 향상되었다.
금융 애플리케이션 시나리오에서는 의도 식별, 도구 호출, 환각 검출 등 태스크에서 처리 속도가 약 5배 향상되었고, 도구 조합 완전 일치율이 약 2.6배 향상되었으며, 동시에 환각 재현율이 44%에서 70%로 향상되어 리스크 발견이 더 민감해졌다.
종합적으로 보면, LingDT-Decision-1.0은 여러 실제 시나리오에서 비용은 더 낮고, 응답은 더 빠르며, 판단은 더 정확하다는 장점을 안정적으로 보여준다. 동시에 한 세트의 모델로 여러 유형의 판정 태스크에 적용할 수 있어 접속이 더 간단하고 유지 보수가 더 수월하며, 따라서 서로 다른 비즈니스 시나리오에서 재사용과 확산이 더 쉽다.
차세대 의사결정형 모델 구축, 두 가지 기능 세계 최초 공개
다른 의사결정 모델에 비해, Ant Digital Technology의 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 순서형 의사결정(DAG) 기능을 최초로 선보여, 기업 비즈니스에서 복잡하고 다단계인 의사결정 요구에 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 “환불하고, 자동 갱신을 해지하고, 세금계산서를 추가 발급해 주세요. 단, 계정은 탈퇴하지 마세요.”라고 요청할 때, 단일 선택은 종종 “환불”이라는 주된 요구만 식별하여 다른 요구를 놓치기 쉽다. 반면 다중 선택은 모든 요구를 한 번에 식별할 수 있고, 순서형 의사결정은 나아가 환불은 먼저 검증이 필요하고, 자동 갱신 해지는 먼저 실행할 수 있으며, 세금계산서 처리는 환불 결과를 기다려야 할 수 있다고 판단할 수 있다. 따라서 다중 선택과 순서형 의사결정은 실제 비즈니스 프로세스에 더 가깝고, 정확도와 최종 처리 효과도 더 잘 향상시킬 수 있다.
네이티브 다중 선택 기능 측면에서, LingDT-Decision-1.0은 하나의 태스크가 동시에 여러 후보에 매칭되는 것을 허용하여 다중 라벨 식별, 복합 의도, 도구 조합 등의 요구에 부합한다. 순서형 의사결정 기능 측면에서, 모델은 태스크 간의 의존 관계에 따라 다단계 의사결정을 완수할 수 있어 금융, 리스크 관리, 고객 서비스 등 실제 비즈니스 프로세스에 더 가깝다.
23개 주요 오픈소스 평가 벤치마크를 커버한 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, Jev 1.13.0, Fastino/GLiDE 등 인기 의사결정 모델을 초과했다. 그중 다중 선택 태스크에서, LingDT-Decision-1.0의 4B와 27B 버전의 정확도 성과는 Microsoft-Decision-1, Jev 1.13.0, Star-lux 등 16개 의사결정 모델을 초과하여, 다중 라벨 및 조합 판정 태스크에서 네이티브 다중 선택 기능의 우위를 보여주었다. 단일 선택 태스크에서는 최상위 그룹에 위치한다.
(그림 설명: 단일 선택/다중 선택 기능의 2차원 그래프를 통해, LingDT Decision 4B/27B가 단일 선택&판단 기능에서 Tier-1에 속하며 동일 크기 모델 대부분을 초과함을 보여주고, “네이티브 다중 선택 기능”은 단연적인 선두를 보인다)
본 글은 Ant Digital Technology가 제공했으며, QbitAI(量子位)가 전재 승인을 받았고, 견해는 원저자의 것입니다.