Ant Shuke выпустила LingDT-Decision-1.0: модели на 4B и 27B для быстрых решений

22 октября китайская компания Ant Shuke (蚂蚁数科), технологическое подразделение экосистемы Ant Group, официально выпустила модель принятия решений LingDT-Decision-1.0. Модель создана для быстрых решений в структурированных задачах и доступна в двух версиях: компактной на 4B и более тяжёлой на 27B параметров. По заявлению разработчиков, она точнее, быстрее и дешевле в токенах, чем сопоставимые модели принятия решений, включая решения Microsoft. Целевая область, по словам компании, это индустриальный ИИ.

Зачем отдельная модель для решений

Большинство громких релизов последнего времени нацелены на универсальный диалог: рассуждения, код, мультимодальность. Задачи промышленных заказчиков выглядят иначе. Банку нужно оценить заявку по набору полей, логистической компании выбрать маршрут из заданных вариантов, заводу определить, какое действие предпринять при отклонении параметров. Вход здесь структурирован, выход чаще всего сводится к выбору из ограниченного набора вариантов или к короткому обоснованию.

Для таких сценариев огромная универсальная модель избыточна. Она отвечает дольше, тратит больше токенов на лишние рассуждения и стоит дороже при каждом вызове. Если запросов миллионы в сутки, разница в цене токена напрямую превращается в разницу в марже проекта. Ant Shuke делает ставку именно на эту экономику: специализированная модель должна выигрывать у универсальных конкурентов по трём осям сразу, то есть по точности, задержке и стоимости.

Два размера под разные задачи

Выпуск сразу в двух конфигурациях отражает практику, которая закрепилась в корпоративном ИИ. Версия на 4B подходит для сценариев, где важны минимальная задержка и скромные требования к железу: её проще развернуть внутри периметра заказчика или на ограниченных вычислительных ресурсах. Версия на 27B рассчитана на более сложные структурированные задачи, где нужен запас по качеству и учёт большего числа факторов.

Ключевые параметры релиза:

• Название: LingDT-Decision-1.0
• Разработчик: Ant Shuke, подразделение экосистемы Ant Group
• Дата выхода: 22 октября
• Размеры: 4B и 27B параметров
• Специализация: быстрые решения в структурированных задачах
• Заявленные преимущества: выше точность, быстрее отклик, ниже стоимость токенов
• Целевой сегмент: индустриальные ИИ-сценарии
• Статус: модель уже доступна на платформах компании

Название линейки намекает на связь с семейством Ling, под которым экосистема Ant Group выпускает свои языковые модели. Для компании это способ превратить общую технологическую базу в набор узких продуктов, которые можно продавать корпоративным клиентам.

Сравнение с Microsoft и вопрос проверки

Главный маркетинговый тезис релиза состоит в том, что точность LingDT-Decision-1.0 выше, чем у решений Microsoft. Сравнение с американским гигантом задаёт понятную планку: китайские разработчики всё чаще меряются не с отечественными аналогами, а напрямую с западными корпоративными стеками. При этом заявления о превосходстве в узких бенчмарках по структурированным задачам сильно зависят от набора тестов и формата вопросов. Реальную картину покажут независимые замеры и пилоты на данных конкретных заказчиков.

Сама идея при этом выглядит здравой. Модели размером от 4B до 27B давно доказали, что после доработки под узкую задачу они способны конкурировать с куда более крупными системами. Если Ant Shuke действительно удалось добиться заявленного сочетания точности и дешёвых токенов, модель найдёт спрос там, где универсальные LLM упираются в бюджет.

Кому и где это пригодится

Практический смысл релиза зависит от того, какая у вас задача. Для финансовых, страховых, логистических и производственных команд в Китае это ещё один вариант в корпоративном наборе: специализированная модель можно подключить к существующим скоринговым и диспетчерским процессам. Тем, кто сейчас платит за вызовы крупных универсальных API ради простых решений по таблицам и полям, стоит оценить, не дешевле ли выйдет небольшая профильная модель, особенно версия на 4B.

Для рынка в целом сигнал такой: конкуренция смещается от «самой умной модели» к «самой выгодной модели под конкретный процесс». Следующий шаг для Ant Shuke, это публикация методики тестов и результатов на открытых и отраслевых наборах данных. Без этого сравнения с Microsoft останутся заявлением производителя, а выбирать корпоративный клиент будет по собственным пилотам.