不让大模型每个动作都写作文：决策模型 Bivia 与 LingDT 把智能体 token 砍掉九成，企业自动化拐点

过去一年，企业把大模型接进流程，最常踩的坑不是它答不对，而是它答太多。一个简单的这笔报销该走哪条审批的问题，智能体可能先写三段分析、再给结论，token 哗哗地烧，延迟也跟着上去。

2026 年 10 月下旬，两则发布把这个问题摆到了台面：10 月 23 日蚂蚁数科发布 LingDT-Decision-1.0，10 月 29 日 Articul8 发布 Bivia。它们瞄准的是同一件事——让智能体做结构化决策，而不是每步都生成大段文本。

这背后是一条清晰的逻辑：智能体大量动作其实是选哪个、填什么、走哪条分支，这些本不需要漂亮的句子，只需要确定的输出。决策模型，就是专门干这件事的。

这其实戳中了一个被忽视的成本误区：我们习惯用模型单价衡量 AI 贵不贵，但真正烧钱的是调用方式。一个本可一次判断搞定的环节，被写成三段生成，token 和延迟都翻倍，积累到千万次调用就是天文数字。决策模型要纠的，正是这种浪费。

生成式大模型的工作方式是预测下一个词，所以它天然倾向于把过程也写成文字；决策模型则把选哪个、填什么、走哪条分支直接变成结构化输出——一个标签、一组字段、一条路由。

差别带来的收益是实打实的：token 用量大幅下降（LingDT 官方称可降九成以上），延迟和成本同步下降，而且输出可被程序直接消费，不必再让另一个模型去把这段话解析成字段。

有人担心决策模型会不会变笨——毕竟它不写长文了。恰恰相反，把生成和决策解耦后，决策模型可以更小、更快、更专，不必为文采分散算力。它像一个训练有素的值班主管：不写报告，但每个判断都准、都快、都可被程序直接消费。

Articul8 的 Bivia 把决策能力做成了一个 API：你给它文本、图像、音频或视频，它返回结构化的决策，而不必在每一步都调用一个生成式大模型。它可以作为独立产品使用，也能嵌进 Articul8 的企业 AI 平台。

Articul8 在内部评估中称，Bivia 的工作流完成率约 70%，而对照方案约 30%。差距来自哪里？在于它把判断从生成里拆出来专门优化，不再让一个本该做决定的环节被冗长文本拖慢。

多模态是它的一大亮点：一张现场照片、一段客服录音、一份扫描单据，都能直接作为决策输入。对巡检、质检、客服这类先看再判的场景，这种端到端决策比看图、写描述、再判断的拼接更稳。

值得提醒的是，Bivia 的价值不止省 token，更在可控。多模态决策输出的是结构化结果，天然比自由文本更容易做校验和约束——你可以给它的输出套上规则（必须二选一、金额不能超过阈值），这点是自由生成式模型很难稳定保证的。

蚂蚁数科的 LingDT-Decision-1.0 走得更极端：它直接做结构化选择，而不是生成文本，提供 4B 与 27B 两种规格。小规格适合嵌在边缘和高频链路，大规格适合更复杂的判断。

它主打的卖点很直白——token 消耗砍掉九成以上。对一天要跑几百万次决策的业务（比如风控初审、工单分派、库存补货），这九成意味着实打实的算力和账单节省。

更重要的是定位：它不试图取代生成式大模型，而是和后者分工。长链条的创作、解释、总结仍交给大模型；高频、确定的做决定交给决策模型。两者配合，整体成本与体验都更好。

从架构视角看，LingDT 这类模型更像一个决策原语：它不生产内容，只生产选择。把它放在流程编排的关节点上，前面接数据、后面接动作，整条链路就既便宜又可控。这也是为什么它和 RPA、大模型能天然拼成一套分层系统。

有人会问，这不就是 RPA（机器人流程自动化）吗？表面像，内核不同。传统 RPA 按写死的脚本走：如果 A 就做 B，否则做 C，一旦输入超出预设分支就会卡住或报错。

决策模型的不同在于，它能在不确定、多变的输入下实时判断该走哪条路。一段格式潦草的工单、一张角度歪斜的票据、一句带情绪的客诉，它都能给出合理分支，而不必事先穷举所有情况。

我们给企业的建议很直接：按任务的性质分诊。高频、规则清晰但输入多变的环节——审批分派、风控初审、工单归类、库存补货——交给决策模型，便宜又快。

长链条的创作、解释、客户沟通、复杂推理，仍交给生成式大模型，它擅长把不确定的事讲清楚。至于跨系统的固定搬运，RPA 依旧够用。三层各司其职，整体成本最低。

关键是别用一把锤子敲所有钉子。把决策模型当成一个新的判断层，接在生成式大模型与 RPA 之间，按场景在生成与决策间路由，才是成熟的架构。

换个说法：让大模型当参谋，让决策模型当值班经理，让 RPA 当搬运工。参谋负责出主意、写材料，值班经理负责拍板、分派，搬运工负责把事情执行到位。三者各有长短，组合对了，自动化的性价比才立得住。

决策模型不是即插即用的银弹。落地前，企业至少要补这三门课。

还有一项容易被漏掉：可观测性。决策模型跑在生产里，你要能看见每一次决策的入参、出参、耗时与命中规则，出了问题才能快速归因。把它接进统一的调用网关与日志，是和模型本身同样重要的工程投入。

生成式模型答错，往往答得很热闹，人容易察觉；决策模型答错，常常是一个安静的错误分支——它不解释、不啰嗦，直接走了错路，这就是业界说的 silently wrong。

所以校验、回滚与人工抽检是必选项。关键决策（比如拒单、停供、扣款）必须人工确认或设阈值拦截；非关键决策也要抽样复核，防止模型在不知不觉中把错误率养高。

另外，决策模型依赖输入质量。它吃的是结构化业务上下文，脏数据进来，错决策出去。数据治理这道闸，和决策模型本身一样重要。

最后给一句落地忠告：别一上来就把决策模型用在错了要命的环节。先用在错了能撤回、影响可控的场景（如工单分派、库存预警），把准确率、回滚、抽检跑成熟，再慢慢向更高风险环节推进，信任是一步步攒出来的。

把 Bivia、LingDT 和同期的统一入口、开放权重放在一起看，企业 AI 正在从一个大模型包打天下走向分层协作：入口层负责记忆与编排，生成层负责创作与解释，决策层负责高频判断，执行层负责固定搬运。

这种分层的好处是成本可控、责任清晰、各自可替换。哪一层的模型不行，就换哪一层的零件，不必推倒重来。对企业来说，这才是可持续的自动化底座。

黄鹂鸟科技的判断：决策模型的兴起，标志着企业 AI 从演示惊艳迈向生产可用的关键一跃。谁先把分层架构与数据底座搭好，谁就先吃到自动化的真实红利。

这轮决策模型的兴起提醒我们：企业 AI 的下一程，比的不是谁的模型最大，而是谁先把分层架构、数据底座与评测体系搭得最扎实。