亚马逊开源 Strands Decider 2B 加速智能体决策
TechCrunch AI··作者 Tim Fernholz
关键信息
Strands Decider 基于 Qwen3.5-2B LLM 架构构建，但输出的是类型化选项而不是自由文本，因此适合封闭领域的工作流决策。它面临的主要技术挑战，是在保持准确率和置信度校准能力的同时，不损害底层模型原有的语言理解能力与通用知识。
资讯摘要
Amazon Web Services 发布了 Strands Decider 2B，这是一款用于在预定义选项之间快速选择并报告置信度的开源模型。该产品发布时，OpenAI 也在同一周宣布了类似产品，凸显出专用决策模型正在迅速受到关注。亚马逊杰出工程师 Marc Brooker 在看到 TypeSafe 的 Jev 后产生兴趣，并尝试自行构建类似模型。这个原型一度在 JevBench 的同规模模型排名中位居第一，随后由亚马逊工程师进行整理和完善，并通过负责开发 AI 智能体工具与协议的 Strands Labs 对外发布。
Brooker 表示，AWS 客户希望工作流中的某些步骤能够使用比完整 LLM 更可靠、更快速且成本更低的组件，尤其是在下一步行动只能从有限答案中选择时。Strands Decider 以 Qwen3.5-2B 作为 LLM 基础，但输出经过校准的选项而不是生成式文本，从而可以让置信度分数参与工作流处理。该模型面临的更大挑战，是在提升决策准确率和校准能力的同时，不削弱语言能力与通用知识；TypeSafe 管理层则认为，尽管新模型大量涌现，要真正打造具有智能的系统仍然十分困难。
资讯正文
亚马逊云服务（Amazon Web Services）发布了一款受 TypeSafe 的 Jev 启发的开源决策模型。随着越来越多的 AI 开发者寻求更适合计算机自动化、而非前沿大语言模型（LLM）的智能，这类模型正日益受到关注。
Amazon 的 Strands Decider 2B 与 OpenAI 宣布推出类似产品的时间恰好在同一周。它能够以高速、低成本的方式在预先确定的选项之间进行分类，并给出一个衡量自身选择置信度的指标。该模型完全开源，目前已经可以使用，而且体积足够小，可以在本地运行。
Amazon 杰出工程师 Marc Brooker 在看到 Jev 并尝试自行构建类似模型后，提出了这个项目。他的自制项目表现得足够出色——一度在 Jevbench 排名中位列同等规模模型的第一名——于是亚马逊的工程师对其进行了完善，并将其作为 Strands Labs 的一项产品发布。Strands Labs 是一个致力于开发部署 AI 智能体所需新工具和协议的组织。
Brooker 表示，对这类工具的需求源自与 AWS 客户的交流：这些客户的智能体工作流并不总是需要功能完整的 LLM 所具备的能力，也不总是能够承担其成本。
“最初引起我对这类模型兴趣的是，它们非常适合作为工作流中的一个决策步骤——‘根据我目前所处的状态，接下来该做什么？’”Brooker 对 TechCrunch 表示。他说，这为客户提供了“一个可以通过置信度分数和封闭的答案域，以更可靠的方式进行结构化的工作流步骤，同时还可能拥有更低的延迟和更低的成本”。
与其他决策模型一样，Strands Decider 构建在 LLM 的“躯干”之上；在本例中，底层模型是 Qwen3.5-2B。但它不生成文本，而是输出经过校准的选择。TypeSafe 以经济学家 William Stanley Jevons 的名字为其模型命名为 Jev，希望借此唤起他的理论：某种事物的成本下降——例如计算机智能的成本下降——实际上可能会增加对它的需求。
自 TypeSafe 首次提出这一理念以来，研究人员已经制作出了数十个类似模型。这一事实说明人们对它们抱有广泛兴趣，但也引出了一个问题：这些模型究竟能有多大价值。Brooker 表示，挑战在于优化模型快速做出决策的能力，同时不损害其智能水平。
“需要找到一个非常微妙的平衡：你希望提升它在这类任务上的准确性和校准表现，同时又不能削弱它理解不同语言的能力，也不能削弱它所掌握的知识——正是这些因素让它具备通用性，令人感兴趣并且有用。”他对 TechCrunch 表示。
不过，他并不认为前沿实验室必然会主导这一领域，尤其是考虑到市场规模较小，构建一些有意思的东西所需的成本可能只需几百或几千美元。
至于 TypeSafe，其高管表示，他们正专心致志地改进未来的模型。
“我理解为什么人们会觉得这是一场淘金热，但他们可能低估了让这些模型真正变得聪明的难度。”TypeSafe 首席执行官兼创始人 Diogo Almeida 对 TechCrunch 表示。他说，就目前而言，他还没有看到真正的竞争对手正在涌现，能够与自己的公司展开竞争。
“目前这一批项目看起来更像是机器学习从业者想要实现一种酷炫的架构，而不是一个真正致力于让智能变得有用的团队。”
来源与参考
收录于 2026-10-02