AWS开源Strands Decider 2B轻量决策模型，专为智能体路由设计

Amazon Web Services（AWS）旗下StrandsLabs团队于10月1日正式开源轻量级决策模型Strands Decider 2B。与动辄生成文本、代码或多模态内容的大语言模型不同，这款仅有20亿参数的模型刻意剔除了文本生成环节，只在预设选项中做出选择并给出置信度评分，目标是把智能体工作流里大量重复的“下一步该做什么”判断，从昂贵的前沿大模型手中接管过来。

从技术架构看，Strands Decider 2B基于阿里通义千问Qwen3.5-2B构建，但AWS没有沿用其原有的语言模型输出头，而是换装了一个仅约100万参数的定制“指针头”（pointer head），并用Rank-16 LoRA适配器微调，直接将隐藏状态与候选答案的位置匹配评分。本次开源的v.20版本参数规模定为20亿，AWS称其足够轻量，可在笔记本等本地设备上以低于150毫秒的延迟运行，同时处理较复杂的决策任务。官方基准显示，该模型在JevBench上的准确性与校准度均优于同级别其他开源2B模型，权重已通过Hugging Face提供，完整代码库、训练脚本与示例均在GitHub上线。

在落地思路上，AWS倡导“混合智能体”架构：由决策模型负责路由、工具选择与策略分类等高频但简单的环节，把需要深度推理的复杂任务交给大语言模型。由于每次输出都附带置信度分数，开发者能直接评估结果可信度；代价是模型不再具备文本解释能力，无法说明自己为何这样选。StrandsLabs指出，此前引发关注的类型安全AI项目Jev已展现决策模型潜力，但受并行输出架构限制，在复杂推理上仍有上限，而Strands Decider 2B正是为改进这类局限而来。

决策模型正迅速成为本周AI行业的新品类。就在同一周，TypeSafe AI的Jev、Cloudflare的Clef以及Perplexity的Decider相继亮相，业内越来越倾向于为自动化流程寻找比完整大模型更便宜、更快的智能形态。AWS工程师Marc Brooker表示，这一需求来自与客户的交谈——他们在构建智能体时并不总是需要前沿大模型的全部能力与成本，一个能在工作流中判断“基于当前位置下一步做什么”的小型模型，往往更划算也更易部署。