亚马逊开源 Strands Decider 2B：面向 Agent 工作流的小型决策模型，可本地跑
TechCrunch 与 Strands 官方博客称，亚马逊云服务（AWS）发布开源决策模型 Strands Decider 2B：在预设选项中做选择并给出置信度，基于 Qwen3.5-2B，可本机 CPU/GPU 运行；官方称中位延迟约数十到百余毫秒量级，并开源权重与训练数据。
据 TechCrunch 报道，亚马逊 Web Services 发布受 TypeSafe Jev 启发的开源决策模型。同周 OpenAI 也公布了类似方向的产品。亚马逊的 Strands Decider 2B 被描述为在预先给定的选项中做高速、低成本选择，并给出置信度；模型已开源，现已可用，体积小到可本地运行。技术骨干来自 AWS 杰出工程师 Marc Brooker：他看到 Jev 后自研，一度在同体量 Jevbench 榜上靠前，随后由 Strands Labs 整理发布。
Strands 官方博客写明：决策模型（亦称 system one models）不像大语言模型可任意生成文本，而是在给定选项中作答（是/否、多选、0–1 评分等），换取更快速度、更低延迟，并始终落在选定选项内；代价是复杂推理弱于推理模型，且不适合写代码、聊天与摘要。模型另给出可靠性分数，官方称这是前沿 LLM 推理 API 通常不提供的。架构上，团队取预训练 LLM 躯干 Qwen3.5-2B，去掉语言模型头，换上约百万参数的 pointer head，躯干以 rank-16 LoRA 微调。
官方给出的运行数字：约二十亿参数，适合本地 CPU 或 GPU；在常见硬件上中位决策延迟约 115ms（本地 Nvidia RTX 3090），小任务在 M3 MacBook 上中位约 153ms。JevBench 公开集上，官方称准确率与校准在 2B 档有竞争力（文中写 2B 档 33 个中第 3，排除略超 2B 的模型后 30 个中第 1）。用途举例包括模型路由、工具选择、评测、护栏、记忆与策略分类，以及用大模型做难题、用决策模型做例行判断的混合 Agent。安装命令为 pip install strands-decider；权重与代码放在 Hugging Face 与 GitHub。Brooker 对 TechCrunch 称，这类模型适合工作流下一步决策，因封闭答案域与置信度可提高可靠性，并潜在降低延迟与成本。上述延迟与榜单数字均为官方或受访方说法，并非本站实测。
来源
- Amazon releases its own Jev clone as decision models flood the web — TechCrunch AI
- Introducing Strands Decider 2B: a small, open source, decision model — strandsagents.com