
以前用大模型处理客服工单,动不动就生成几百字‘分析报告’:先复述问题、再套模板、最后加一句‘建议转人工’——结果还得靠程序员写正则去抽字段,一抽一个错,改一次代码掉三根头发。现在好了,蚂蚁数科刚发布的LingDT-Decision-1.0,直接跳过废话,给你四个选项框:催单/投诉/退款/其他,再打个分:紧急度0~5、风险值0.87、该派给物流组还是客诉组……一步到位。

它不写作文,只做判断。没有‘根据上述分析可知’,没有‘综上所述’,更不会突然编个不存在的政策条款。测试数据很实在:在智能客服场景里,Token用量比Qwen-3.7-flash少90%,响应快了一倍;数据标注任务里,Token砍掉97%,速度提了10倍;风险识别准确率从76%干到89%。这不是参数堆出来的,是把‘人怎么一步步想事’拆进模型结构里——比如用户说‘我刚被骗转账,现在要冻结账户’,LingDT能自动识别出:先验身份(步骤1),再查交易(步骤2),同步触发风控拦截(步骤3),最后才决定是否转人工(步骤4)。这个DAG(有向无环图)流程,是Jev和微软Decision都没原生支持的。
最关键是,它真正在企业里跑起来了。不是实验室跑分,是在蚂蚁自己的客服系统、反诈风控线、信贷审批流里实打实扛活。没有幻觉,不瞎编规则,也不用后期加一堆校验层兜底。开发者登录DTMaaS平台就能免费试用4B轻量版或27B高精度版——连部署文档都写着‘不用改业务代码,替换API接口即可’。当AI不再执着于‘说得像人’,而是专注‘做得像人’,那句‘像人一样分步骤做决定’,终于不是PPT话术了。
这事儿其实挺有意思的。以前我们总以为AI要“像人”,就得先学会写作文、讲逻辑、凑段落——结果呢?客服工单里一句“快递三天没更新”,模型能给你扯出五百字的物流生态分析,顺带科普《邮政法》第几条,硬是把用户气得二次投诉。LingDT反手就把这套“表演型智能”给废了:它不解释,只行动;不抒情,只分步;连“建议”都不说,直接把按钮亮在你眼皮底下。
有家做母婴电商的客户试用了两周,发现原来每天要人工盯的3000+催单,现在85%自动进了物流组工单池,平均响应从4.2小时缩到27分钟。他们没加新服务器,也没招AI训练师,就改了三行API调用代码。更实在的是,过去被漏判的“高危退款”(比如老人误点支付后急哭来电),识别率从不到一半,涨到了现在的91%。这不是靠堆算力,而是模型自己把“用户语气急+订单金额低+下单时间凌晨+设备ID陌生”这几个信号串成一条判断链,跟老师傅听声辨病一个道理。
还有个细节很多人没注意:LingDT的每个决策节点都带置信度水印。比如“判为投诉”这个动作,会同步输出“依据关键词‘威胁报警’(置信0.93)、语速加快(0.87)、重复提及‘我要告你们’(0.91)”。不是黑箱拍板,而是把老师傅脑子里那句“这人真急了,得马上接”翻译成了可追溯、可复盘的数据流。
当然它也不是万能钥匙。遇到用户说“我老公用我手机点了10次付款”,系统不会自作主张冻结账户——它会卡在“需人工核验亲属关系”这一步,弹窗提醒+自动附上近7天登录设备清单。该守的边界,它比人还清楚。
说白了,AI不是非得学会写散文才能上岗。就像老司机开车不用背《道路交通安全法》全文,但每一个变道、刹车、打灯,都踩在规则和经验的交叉点上。LingDT做的,就是把这种“肌肉记忆”刻进模型里。不炫技,不造词,不编政策,只在该出手时,稳稳按下一个对的按钮。
金鼎配资提示:文章来自网络,不代表本站观点。