LingDT-Decision-1.0 – 蚂蚁数科面向业务判定的决策类 System One 模型

LingDT-Decision-1.0 是蚂蚁数科于 2026 年 10 月发布的决策类 System One 模型，它不走「先写一段推理、再从文本里解析答案」的老路，而是把业务判断压成在给定选项里选一个或选一组，单次前向直接给出选项与置信度，支持单选、是非、打分与多选四种形态，还能按有向无环图把多步判断串成一条链路，适用于客服工单分流、意图判断、规则分类与结果打分这类高频判定场景。

LingDT-Decision-1.0 的核心能力

LingDT-Decision-1.0 的链路只剩一次前向：把状态和候选选项一起送进模型，拿回每个选项的分数与置信度。四类原语、按序决策与置信度对齐三件事，决定了它在业务系统里的接入形态。

四类决策原语把判断做成可枚举的输出

官方模型卡列出的原语是 choice（单选）、noul（判断）与 score（打分），LingDT-Decision 在此之外原生支持 multi-choice（多选）。三种常见原语在开源决策模型里已形成事实标准，多选是这一版补上的缺口：单选只能挑出一个主诉求，遇到一次提出多个要求的场景就会漏判。放进站内 AI 模型 这条线看，它属于把输出空间收紧、换稳定性的一类做法。

按有向无环图把多步判断串成一条链路

官方称这是首创的原生多选与按序决策（DAG）能力。边界写在官方 API 接入指南上：DAG 决策深度最多 4 层，最多 255 个选项，单次请求最多 32 个问题。它处理的是「先做什么、后做什么」：用户说要退款、关闭续费、补开发票但不要注销账号时，多选一次识别全部诉求，按序决策再排执行次序——退款先核验、关闭续费可直接执行、发票要等退款结果。四层深度覆盖大多数工单分流与审批链路，更长的流程需拆成多次请求。

置信度与选项概率对齐，可直接当阈值用

官方对返回置信度的表述是深度对齐：置信度与选项概率同源，业务侧可以直接设阈值决定「够不够确定、要不要转人工」。这对风控与客服分流尤其关键，通用大模型的自评置信度常与实际正确率脱节，设阈值容易失效。加上输出被限制在给定选项内，格式错误与解析失败的概率也随之下降。

Token 消耗与响应时效的量化收益

官方在客服、风控、金融等真实场景做了对照：处理同样任务时，相比通用大语言模型，Token 消耗降低超 90％，响应时效提升 10 倍。分场景更细：数据标注场景相比同量级的 Flash 级通用模型，Token 消耗降约 97％、时效提升约 10 倍；智能客服场景 Token 降 90％、时效提升约 1 倍，风险识别准确率由 76％ 升至 89％。在 23 项开源评测基准中，官方称其综合评分超过 Microsoft-Decision-1、Jev 1.13 等决策模型，27B 版本在同参数模型中取得最高准确率。以上数字均出自发布方口径，未附第三方复现结果。

按序判断只是链路里的一环，往上还要接到 AI 智能体 的规划与工具调用层，由上层决定识别出的诉求要不要真的执行。

LingDT-Decision-1.0 与同类决策模型的对比

站内已收录三款开源决策模型，与 LingDT-Decision-1.0 构成商用在线与本地开源两条路线。下表按出品方、发布时间、定位、模型档位、决策原语、接入方式与开放程度七项对照，端侧那条路线放在表下补充。

上表 LingDT-Decision-1.0 一列取自蚂蚁数科模型卡与发布材料，另两列取自各自官方说明。决策原语一栏能看出谱系：Kev 的 noul、choice、score 三件套是这条线的起点，LingDT-Decision-1.0 在三种原语之外加了 multi-choice 与按序决策。开放程度是最根本的分野：三款里只有它完全闭源，换来免部署直接调用。

端侧还有一条路线可以对照 APUS-OpenJev-v1（APUS AI Lab 开源的端侧决策大模型，给候选动作打分而非生成文本，分 low 与 high 两种计算深度），它把决策压到单卡本地执行，与 LingDT-Decision-1.0 的平台在线形态互补。

想把决策接口搬到本地跑的话，另有一个开源复现项目可以对照 SemIf（开发者 TheoLeeCJ 开源的 AI 决策模型，用冻结的开源基座复现语义决策接口，单张 RTX 3090 即可运行），它与 LingDT-Decision-1.0 的差别在于自建推理环境与平台直接调用的取舍。

LingDT-Decision-1.0 的应用场景与适用人群

官方材料把落地场景集中在业务系统里高频发生的判定环节，三类最典型：

• 客服工单分流：一条「订单三天没发货」的问询要同时判断问题类型、紧急程度、归属部门与是否转人工，四步可合成一次请求。
• 数据标注与内容审核：给候选标签或处置方式打分评级，比让通用模型输出解释再解析更稳定，官方称该场景 Token 降幅最大。
• 多步业务流程判定：用户一次提出退款、关闭续费、补开发票等诉求时，用多选识别全部诉求、用按序决策排出执行次序。

适用人群：适合已有业务系统、想把判定环节从通用对话模型换成专用模型的团队，尤其是判定类型固定、调用量大、对延迟与 Token 成本敏感的场景；需要开放式生成、长文写作或跨领域复杂推理的任务，通用对话模型仍是更合适的选择。

LingDT-Decision-1.0 的使用方法

官方给了三条路径：模型市场在线试、按接入指南接 API、用资源包或按量计费扩量，三条路径都不需要自己部署模型。

模型市场：先在线验证多选与按序决策

1. 打开 蚂蚁数科模型市场，在厂商筛选里选 AntDigital。
2. 在列表中找到 LingDT-Decision-1.0-27B 或 4B 版本，点卡片右下角的「对话」。
3. 先用单选与打分各试一条，确认返回里带选项与置信度，再加多选与 DAG 结构。

接入 API：按原语组织请求结构

1. 在模型市场页跳到「开发者文档」，取回 lingdt-decision-api-guide 接入指南。
2. 确认请求体里状态、候选选项与决策类型的字段位置，把选项数控制在 255 个以内。
3. 单次请求问题数不超过 32 个；多步流程按有向无环图拆到 4 层以内，更长的链路拆两次请求串联。
4. 免费期上下文按 16K 规划，正式计费后再按实际用量评估是否需要更长上下文。

扩量阶段：资源包与按量计费二选一

1. 先在 DTMaaS 平台确认限时免费截止时间，免费期至 10 月 30 日。
2. 调用量稳定后比较两种口径：按 Token 用量计费贴合波动场景，Token Plan 资源包适合量可预估的团队。
3. 把置信度阈值接进业务侧，低置信度请求转人工，避免直接放行。

限时免费截至 10 月 30 日，免费期上下文为 16K。DAG 深度上限 4 层与单次 32 个问题是硬限制，不随付费档位放宽，流程设计时需按这个边界拆分。

LingDT-Decision-1.0 的项目地址

• 模型广场：https://maas.antdigital.com/models
• API 接入指南：https://maas.antdigital.com/docs/lingdt-decision-api-guide
• DTMaaS 平台：https://www.antdigital.com/products/dtmaas

LingDT-Decision-1.0 的价格与开源情况

LingDT-Decision-1.0 不开源，官方没有开放权重与训练代码，获取方式只有 DTMaaS 平台的 API 调用，这也是它与站内几款开源决策模型最直接的区别。目前处于限时免费期，模型市场标注的截止日期是 10 月 30 日，免费期按 16K 上下文调用、单次最多 32 个问题。模型卡同时挂出免费期后的参考单价：27B 版本输入 ¥0.4/M、输出 ¥0/M，4B 版本输入 ¥0.3/M、输出 ¥0/M，两个版本都只对输入侧计费。包量方式另有 Token Plan 资源包，免费版 0 元七日、基础版 39.9 元每月、进阶版 99.9 元每月、高级版 199.9 元每月，按月调用上限从 1000 次到 80000 次递增。资源包与按量计费可并存，按调用波动选择。

LingDT-Decision-1.0 的常见问题