LingDT-Decision-1.0 是螞蟻數科（Ant Digital Technologies，螞蟻集團的企業科技部門）推出的決策模型，主要處理答案範圍事先界定的商業任務。和先生成一段文字、再由軟體解析結果的做法不同，它主打直接從指定選項中作出判斷。12

模型提供 4B 與 27B 兩種版本，已在 DTMaaS 平台上線，開發者可限時免費試用。12 它瞄準的是企業 AI 流程中「接下來該怎麼做」這類範圍明確的步驟，而不是要取代通用大型語言模型。螞蟻數科公布的效能數字值得關注，但目前仍應視為公司測試結果，而非已獲獨立驗證的結論。3

從「先生成再解析」改為直接判斷

在常見的生成式 AI 流程中，模型先產生文字或結構化答案，再由程式讀取並轉成後續指令。LingDT 的設計方向，則是由系統提供任務與候選選項，模型直接在選項中判斷。2

例如，企業系統可以提供一張客服工單與可選的處理類別，讓模型判斷應轉交哪個部門。這種做法較適合分類、分流等答案範圍清楚的工作；若任務需要開放式理解、規劃或撰寫說明，通用模型仍可能更合適。

4B、27B 版本與支援的決策形式

LingDT-Decision-1.0 有 4B 與 27B 兩種參數規模，並可透過 DTMaaS 限時免費試用。2 目前公開報導沒有充分證明哪個版本在特定工作負載中一定更好，因此企業不宜只看參數量就推定效能，仍應用自家任務進行比較。

報導列出的決策形式包括判斷、單選、分類與評分；螞蟻數科也稱模型支援原生多選，以及依問題間的相依關係安排先後順序的決策方式。67 這些能力可能適用於客服工單分流、意圖辨識、工具選擇、資料分類與風險評估等場景。614

多選可用於一次選出多個符合條件的項目；按序決策則可處理前後步驟存在依賴關係的任務。螞蟻數科將這些能力稱為首創，但現有資料並未獨立證實這項新穎性主張。7

「少用九成 Token、快十倍」是公司測試結果

螞蟻數科表示，在客服、風控與金融等業務情境的測試中，LingDT 相較通用大型語言模型，Token 消耗降低超過 90%，回應速度最高提升 10 倍。318 這些數字來自公司公布的測試；目前沒有獨立驗證，而且現有報導未提供足夠細節，無法確認不同模型的比較條件是否完全一致。3

另有報導引述螞蟻數科的說法，稱模型在 23 項開源基準的綜合表現勝過 Microsoft-Decision-1 與 Jev 1.13，且 27B 版在參數規模相近的模型中準確率最高。7 這應視為發布方公布的評測結果，而不是已定論的全面優勢：一個模型發布追蹤網站仍將相關基準標示為待評測，現有資料也沒有提供獨立確認。16

對企業 AI 流程可能有什麼影響？

如果企業在自己的工作負載中重現相關結果，較低的 Token 用量可能降低高頻分類或分流任務的模型成本，較快的判斷也可能縮短多步驟流程的處理時間。不過，Token 減少九成不代表整體費用也會下降九成；單一步驟變快，也不等於端到端流程同樣快十倍。模型定價、輸入處理、資料檢索、工具呼叫與其他流程環節，都會影響最後結果。

直接回傳定義好的選項，也可能讓軟體更容易接收並處理結果，省去從長篇回答中擷取答案的步驟。但格式正確，不代表判斷就正確。若分類錯誤會影響後續處置，企業仍須檢查決策品質與錯誤處理方式，尤其是在客服、風控或金融等場景。

導入前，先用自己的案例驗證

評估時可用具代表性的實際案例，比較 4B、27B 版本與現行流程，並觀察每筆正確完成任務的成本、回應時間分布、漏掉轉人工的案例，以及錯誤是否延伸到後續步驟。測試資料也應包含資訊模糊、需要升級由人工處理的情況。

整體來說，LingDT-Decision-1.0 是針對結構化決策步驟設計的選項，不宜直接視為通用模型的替代品，也不能僅憑發布方數據認定它已帶來可驗證的生產成本優勢。限時試用可用來檢查是否符合自身需求；至於節省幅度、速度與基準排名，仍應等待獨立驗證，並以企業自己的測試結果為準。

LingDT-Decision-1.0 是螞蟻數科（Ant Digital Technologies，螞蟻集團的企業科技部門）推出的決策模型，主要處理答案範圍事先界定的商業任務。和先生成一段文字、再由軟體解析結果的做法不同，它主打直接從指定選項中作出判斷。12

模型提供 4B 與 27B 兩種版本，已在 DTMaaS 平台上線，開發者可限時免費試用。12 它瞄準的是企業 AI 流程中「接下來該怎麼做」這類範圍明確的步驟，而不是要取代通用大型語言模型。螞蟻數科公布的效能數字值得關注，但目前仍應視為公司測試結果，而非已獲獨立驗證的結論。3

從「先生成再解析」改為直接判斷

在常見的生成式 AI 流程中，模型先產生文字或結構化答案，再由程式讀取並轉成後續指令。LingDT 的設計方向，則是由系統提供任務與候選選項，模型直接在選項中判斷。2

例如，企業系統可以提供一張客服工單與可選的處理類別，讓模型判斷應轉交哪個部門。這種做法較適合分類、分流等答案範圍清楚的工作；若任務需要開放式理解、規劃或撰寫說明，通用模型仍可能更合適。

4B、27B 版本與支援的決策形式

LingDT-Decision-1.0 有 4B 與 27B 兩種參數規模，並可透過 DTMaaS 限時免費試用。2 目前公開報導沒有充分證明哪個版本在特定工作負載中一定更好，因此企業不宜只看參數量就推定效能，仍應用自家任務進行比較。

報導列出的決策形式包括判斷、單選、分類與評分；螞蟻數科也稱模型支援原生多選，以及依問題間的相依關係安排先後順序的決策方式。67 這些能力可能適用於客服工單分流、意圖辨識、工具選擇、資料分類與風險評估等場景。614

多選可用於一次選出多個符合條件的項目；按序決策則可處理前後步驟存在依賴關係的任務。螞蟻數科將這些能力稱為首創，但現有資料並未獨立證實這項新穎性主張。7

「少用九成 Token、快十倍」是公司測試結果

螞蟻數科表示，在客服、風控與金融等業務情境的測試中，LingDT 相較通用大型語言模型，Token 消耗降低超過 90%，回應速度最高提升 10 倍。318 這些數字來自公司公布的測試；目前沒有獨立驗證，而且現有報導未提供足夠細節，無法確認不同模型的比較條件是否完全一致。3

另有報導引述螞蟻數科的說法，稱模型在 23 項開源基準的綜合表現勝過 Microsoft-Decision-1 與 Jev 1.13，且 27B 版在參數規模相近的模型中準確率最高。7 這應視為發布方公布的評測結果，而不是已定論的全面優勢：一個模型發布追蹤網站仍將相關基準標示為待評測，現有資料也沒有提供獨立確認。16

對企業 AI 流程可能有什麼影響？

如果企業在自己的工作負載中重現相關結果，較低的 Token 用量可能降低高頻分類或分流任務的模型成本，較快的判斷也可能縮短多步驟流程的處理時間。不過，Token 減少九成不代表整體費用也會下降九成；單一步驟變快，也不等於端到端流程同樣快十倍。模型定價、輸入處理、資料檢索、工具呼叫與其他流程環節，都會影響最後結果。

直接回傳定義好的選項，也可能讓軟體更容易接收並處理結果，省去從長篇回答中擷取答案的步驟。但格式正確，不代表判斷就正確。若分類錯誤會影響後續處置，企業仍須檢查決策品質與錯誤處理方式，尤其是在客服、風控或金融等場景。

導入前，先用自己的案例驗證

評估時可用具代表性的實際案例，比較 4B、27B 版本與現行流程，並觀察每筆正確完成任務的成本、回應時間分布、漏掉轉人工的案例，以及錯誤是否延伸到後續步驟。測試資料也應包含資訊模糊、需要升級由人工處理的情況。

整體來說，LingDT-Decision-1.0 是針對結構化決策步驟設計的選項，不宜直接視為通用模型的替代品，也不能僅憑發布方數據認定它已帶來可驗證的生產成本優勢。限時試用可用來檢查是否符合自身需求；至於節省幅度、速度與基準排名，仍應等待獨立驗證，並以企業自己的測試結果為準。