蚂蚁数科LingDT-Decision首发信息抽取能力，4B模型在Slotting任务中得分67.43分超生成式基线

蚂蚁数科近日在其决策大模型LingDT-Decision中首次引入信息抽取（Information Extraction）能力，标志着产业级决策模型从“选项判断”向“上下文理解+结构化提取”迈出关键一步。该能力旨在解决实际业务场景中普遍存在的非结构化信息识别需求——例如客服工单中需精准定位“多扣199元”中的金额数值，而传统决策模型如Jev仅能处理预设选项的分类或评分任务，无法直接从原文中抽取出开放型数值或文本片段。

当前主流决策模型基于System One协议构建，其设计初衷是将决策问题转化为有限选项间的概率排序。以Jev为例，处理一条工单“订单A123多扣了199元，退款等了一周还没到”，系统可将其建模为三选一问题：账单（billing）、物流（shipping）、账号（account），并通过计算各选项对应token的概率分布输出最高置信度结果（如billing: 0.94）。这一流程高效可靠，但局限性明显：当问题变为“多扣金额是多少”时，答案并非预设选项，而是隐含于原始语句中的开放值，System One原生机制无法响应。

LingDT-Decision的改进在于对System One协议进行扩展，新增extract题型支持。模型在输入序列中明确标注需抽取的字段（如“多扣金额”），推理阶段不再仅关注候选结束位向量，而是结合跨度预测（span prediction）机制，直接返回原文中匹配的文本片段及其起止位置。在实际工单系统中，这意味着客服人员可直观看到“199元”被高亮标出，无需人工翻查记录核对，大幅提升处理效率与准确性。

技术实现上，LingDT-Decision沿用了System One的输入拼接范式——将state（上下文）、instruct（指令）、opt（选项/字段定义）与decide（决策标记）按序组合为单一序列，经基座模型Prefill后，对特定位置token进行向量投影与打分。区别在于，对于extract任务，模型不再仅计算几个固定候选的logits，而是对所有可能的start-end token对进行联合建模，通过mid-train阶段注入产业侧标注数据，并辅以强化学习优化推理路径，使模型在保持低延迟的同时提升抽取精度。

性能方面，根据公开测试结果，4B参数规模的LingDT-Decision-4B-1110在Slotting基准测试中取得67.43分（10个Benchmark均分），显著高于同参数量级生成式模型Qwen3.5-27B（65.07分）与Qwen3.5-9B（55.85分），甚至优于部分更大尺寸模型。值得注意的是，该模型在单选任务（13个Benchmark均分）中亦达81.21分，处于27B级别模型的中上游水平，展现出良好的任务泛化能力。

上图展示了不同模型在“单选Bench平均”与“多选Bench平均”两个维度上的综合表现。LingDT-Decision-4B-1110位于左上方优势区域（Index=81.21），而27B规模的LingDT-Decision-27B-1110则达到85.84的最高指数，验证了其在小参数下即具备强竞争力的设计思路。

进一步分析模型尺寸与性能关系可见（见下图），LingDT-Decision系列在4B至27B区间内呈现稳定增益：4B版本已超越多数9B级模型；27B版本在Index达85.84时，仍处于“Size ≥ 对应模型且Index ≤ 对应模型”的优势边界内，说明其单位参数效率更高。相比之下，部分开源决策模型如Jev 1.13.0（80.20）、MS Decision-1（81.61）虽参数量接近27B，但在综合指标上未达LingDT-27B水平。

该能力的实际落地场景已在蚂蚁数科DTMaaS（Decision as a Service）平台开放。用户可通过平台提供的Slotting功能调用示例，免费体验信息抽取能力。例如，输入一段含金额、日期、订单号的客户描述，指定抽取字段“退款金额”“发生时间”“订单编号”，模型将返回结构化JSON结果，包含原文片段、字符偏移及置信度。

行业层面，决策模型的信息抽取能力补全了AI在产业自动化中的关键一环。过去，企业常需依赖规则引擎或NLP专用模型（如BERT-CRF）处理此类任务，存在维护成本高、泛化性差等问题；而集成抽取能力的统一决策模型，可在同一推理框架下完成“判责→定因→取值”全流程，降低系统复杂度并提升端到端一致性。

值得注意的是，LingDT-Decision并未简单复用生成式模型的抽取头，而是基于System One的决策逻辑重构抽取机制——其输出非自由文本，而是受限于原文的span，确保结果可追溯、可验证，契合金融、政务、客服等高可靠性场景的需求。这种“约束式生成”路径，也为后续决策智能体（Decision Agent）的发展提供了新范式。

目前，LingDT-Decision的信息抽取能力已应用于蚂蚁内部多个业务线，包括保险理赔审核、跨境支付争议处理及商户风控工单分派。据测试数据，在典型工单场景中，信息抽取准确率可达92%以上，较人工初筛效率提升约3倍，且误抽率低于3%。

随着产业智能化深入，决策模型正从“辅助判断”转向“自主执行”。LingDT-Decision此次能力升级，不仅拓展了System One协议的应用边界，也反映出大模型落地正进入精细化分工阶段：通用生成能力之外，面向垂直任务的专用能力模块（如抽取、校验、归因）将成为下一代企业级AI基础设施的核心组件。