Ant Digital представила LingDT-Decision-1.0 для промышленного ИИ

Китайская компания Ant Digital Technologies 22 октября официально представила модель принятия решений LingDT-Decision-1.0, которая, по заявлению разработчиков, превосходит по точности популярные зарубежные аналоги, включая Microsoft-Decision-1 и Jev 1.13.0. Новинка создавалась специально для быстрых решений в структурированных задачах и ориентирована прежде всего на промышленные сценарии применения искусственного интеллекта: она точнее, отвечает быстрее и обходится дешевле по расходу токенов, чем универсальные большие языковые модели.

Модель выпущена в двух версиях — на 4 и 27 миллиардов параметров. Обе уже доступны на платформе DTMaaS компании Ant Digital Technologies, причём разработчики могут опробовать их бесплатно в течение ограниченного времени. В компании подчёркивают, что главная задача модели — не порождать текст, а быстро и точно выносить суждения, поэтому она естественным образом подходит для высокочастотных бизнес-операций: определения намерений клиента, выбора инструментов, классификации по правилам и выставления оценок результатам.

Испытания в реальных бизнес-сценариях — в обслуживании клиентов, управлении рисками и финансовых приложениях — показали ощутимый эффект. При выполнении тех же задач по сравнению с большими языковыми моделями LingDT-Decision-1.0 сокращает расход токенов более чем на 90 процентов и ускоряет отклик в десять раз, при этом демонстрируя более высокое качество. Логика здесь простая: традиционная языковая модель сначала рассуждает токен за токеном, а затем генерирует ответ, из-за чего цепочка получается длинной, дорогой и подверженной ошибкам. Новая модель вместо этого делает вывод напрямую среди заданных вариантов, что избавляет от проблем с форматом и упрощает последующую проверку.

Конкретные цифры выглядят убедительно. В задаче разметки данных по сравнению с DS-V4-flash расход токенов снизился примерно на 97 процентов, а скорость обработки выросла примерно в десять раз. В сценарии интеллектуального обслуживания клиентов по сравнению с Qwen-3.7-flash потребление токенов упало на 90 процентов, скорость обработки выросла примерно вдвое, а точность выявления рисков поднялась с 76 до 89 процентов. В финансовых приложениях — при распознавании намерений, вызове инструментов и обнаружении галлюцинаций — скорость обработки выросла примерно в пять раз, доля полностью совпавших комбинаций инструментов увеличилась примерно в 2,6 раза, а полнота выявления галлюцинаций поднялась с 44 до 70 процентов, то есть риски стали обнаруживаться заметно чувствительнее.

Отдельного внимания заслуживают две функции, которые, как утверждает разработчик, впервые реализованы в отрасли. Помимо базовых возможностей — суждения, одиночного выбора, классификации и рейтингования — модель поддерживает нативный множественный выбор и упорядоченное принятие решений на основе графа зависимостей (DAG). Это важно потому, что в реальном бизнесе куда чаще приходится не выбирать один вариант из списка, а распознавать целый набор задач и выполнять их в правильной последовательности. Если клиент просит оформить возврат, отключить автопродление и запросить счёт, но при этом не удалять аккаунт, модель с одиночным выбором ухватит лишь главный запрос про возврат и упустит остальное. Множественный выбор позволяет распознать все требования сразу, а упорядоченное решение дополнительно выстроит их: возврат сначала нужно проверить, автопродление можно отключить сразу, а счёт, возможно, придётся оформлять уже после возврата.

По результатам тестирования на 23 открытых бенчмарках версия LingDT-Decision-1.0 на 27 миллиардов параметров заняла первое место по совокупной оценке, обойдя такие популярные модели принятия решений, как Microsoft-Decision-1, Jev 1.13.0 и Fastino/GLiDE. В задачах множественного выбора обе версии — на 4 и 27 миллиардов параметров — превзошли по точности шестнадцать моделей, включая Microsoft-Decision-1, Jev 1.13.0 и Star-lux, что подтверждает преимущество нативной поддержки множественного выбора при работе с многометочными и комбинированными задачами. В задачах одиночного выбора модель вошла в первую группу лидеров. Разработчики делают ставку на то, что одна модель сможет обслуживать сразу несколько типов задач принятия решений, а значит, её будет проще подключать, дешевле сопровождать и удобнее переносить из одного бизнес-сценария в другой.