蚂蚁数科发布决策模型、原生支持按顺序做选择、响应快了 10 倍

会说话容易，会替你按顺序做选择难

10 月 23 日，蚂蚁数科发布决策模型 LingDT-Decision-1.0，有两个规格：4B 和 27B。

它的核心能力只有一句话：原生支持多选和按顺序决策（DAG）。

听起来平淡。但这可能是今年大模型能力里最被低估的一个方向。

用人话说：现在的 AI 擅长的是「回答问题」。它不擅长的是「替你做决定」。而 LingDT-Decision 干的就是后者——不是告诉你三个选项哪个好，而是直接把路走完。

一句话总结

决策模型和聊天模型是两个物种——一个负责说，一个负责选。蚂蚁这次发布的意义是让「选」这件事第一次有了专门的大模型，响应速度还快了 10 倍。

一、为什么「会聊天」和「会决策」是两回事

这两件事的技术门槛完全不同。

聊天模型的目标是：下一句话该说什么。

它只需要语言流畅、逻辑通顺、答得上。它是一个生成器。

决策模型的目标是：这一步该选哪个。

它需要处理顺序、依赖和约束。比如：

你要做一个营销活动。第一步先定目标人群 → 第二步根据人群选渠道 → 第三步根据预算调整力度 → 第四步如果转化率不达标，回到第二步重来。

这中间有先后、有分支、有回退。用聊天模型来做，它会给你一个看似合理的文字建议，但这个建议不保证是能真正执行的路径。

打个比方：聊天模型像一个特别博学的顾问，你问它怎么办，它能聊半小时。决策模型像一个真的操盘手，你说目标，它直接给你一张可执行的执行表。

二、DAG 是什么意思，为什么它是关键

DAG = 有向无环图，说人话就是：一张有先后顺序、不能绕圈回来的流程图。

「无环」两个字是精髓——它意味着流程里不存在死循环。这在业务上极其重要：

场景 · 为什么必须是 DAG

授信审批 · 贷前调查 → 风险定价 → 额度决策 → 放款，不能乱序

风控处置 · 识别异常 → 冻结账户 → 通知人工 → 复核申诉

供应链调度 · 需求预测 → 采购下单 → 物流调度 → 库存上架

内容审核 · 机审 → 人审 → 复审 → 处置，漏一步就出事

这些流程的特点是：顺序错了，业务就出错；顺序乱了，责任就说不清。

大模型天生不擅长这个——它是并行的、概率的、没有顺序概念的。让一个天生并行的东西去做串行的决策，是强人所难。

所以专门做一个决策模型，而不是在聊天模型上加个 prompt，这个技术路线是对的。

三、快 10 倍，是最有商业价值的那个数字

参数不是这次发布的重点，响应速度提升 10 倍才是。

为什么企业决策场景对速度这么敏感？

举个真实场景：在支付、风控这类业务里，用户点一下「确认」到出结果，必须在一秒内。超过这个时间，用户会以为系统卡了，会重复点击，会投诉。

也就是说，决策模型不是后台的离线分析工具，它是卡在用户和系统之间的实时闸门。慢 100 毫秒，就是 10% 的流失。

指标 · 决策模型要求

响应时间 · 通常要求 100 毫秒以内

输出格式 · 必须是结构化的选项，不能是一段散文

稳定性 · 高峰期不能崩，决策不能时对时错

可解释 · 金融、医疗场景要能说清为什么这么选

所以「快了 10 倍」翻译过来是：它从「演示能用」变成了「业务能上线」。

而 4B 这个小规格也很有意思——小模型意味着可以在边缘侧甚至本地跑，不需要把所有数据传到云端。这对数据敏感的场景是刚需。

四、泼点冷水：三个绕不过去的问题

第一，能选对和能负责是两回事。 模型可以给你推荐 A 方案，但出了问题谁负责？法律责任不可能转移给模型，最终签字的还是人。这会限制决策模型的自主度。

第二，决策链条越长，误差累积越快。 一条五步的 DAG，如果每步准确率是 95%，整条链的正确率只有约 77%。链路越长，单步准确率的要求越高。

第三，最好用的决策，恰恰是最容易出事的决策。 模型会学到「什么情况下该拒绝」。但一家公司如果把 AI 训练的判断用在信贷、招聘、医疗上，那它学到的偏见也一起被放大了。

所以这类模型真正的考验，是能不能在准确率之外，把「可解释」和「可审计」也做出来。

对普通人意味着什么

第一，你可能会更少地做重复选择。 退货运费险怎么选、套餐怎么搭配、比价——这类事以后可能是系统直接给结论，而不是给你一堆选项让你头疼。

第二，决策变快，也意味着你的「犹豫权」变少。 这是个需要警惕的点。当系统总是三秒内给你一个答案，你会不会慢慢失去自己比较和权衡的习惯？

第三，金融和就业场景要格外小心。 如果一个放贷或招聘系统用了这类模型，你需要知道它是怎么选的，并且有权要求人工复核。这是接下来会越来越重要的权利。

写在最后

1 决策模型会不会取代通用模型

不会，会分工。聊天模型负责理解意图和生成方案，决策模型负责把方案执行成一条确定的路径。 更可能的终局是：用户跟聊天模型聊，聊天模型调用决策模型干活。这就像「前台」和「后台」的关系。

2 蚂蚁为什么在这个时间点做决策模型

因为它是最贴近金融业务的玩家。风控、反欺诈、授信、理财推荐，这些全是决策场景，而且都有严苛的时延和合规要求。这解释了为什么两个规格里有一个是 4B——它需要在靠近数据的地方跑。

3 「快了 10 倍」能不能真的落到业务上

要看在什么场景下测的。如果是小规模测试集上的延迟数据，参考意义有限。 真正该问的是：高峰并发下、在完整业务链路上，端到端到底是多少毫秒。这个数字决定它是产品还是 PPT。

未来 1 年看三件事：① 会不会有公开的业务落地案例和实际时延数据② 决策模型会不会进金融机构的正式风控链路③ 会不会出现第一批「AI 替你做决定」的消费者权益争议

如果觉得这篇拆解对你有帮助，不妨点个关注和在看。

你的 AI 陪跑伙伴 【数字新奇点】 会继续关注 AI Agent 与业务决策。

咱们下期见！

参考资料

蚂蚁数科发布决策模型 LingDT-Decision-1.0

面向业务场景的决策大模型与 DAG 原生决策能力

决策模型如何进入真实业务链路