亚马逊开源 Strands Decider 2B：又一款“Jev 克隆”，决策模型开始泛滥

大模型很会聊天，但很多自动化任务其实不需要“聊天”——它只需要在两个已定的选项中挑一个，然后告诉你有多确定。正是这种“小而专”的需求，催生了一批新的决策模型。最新入场的是亚马逊云科技（AWS）：它开源了 Strands Decider 2B，一款受 TypeSafe 的 Jev 启发、专为自动化决策打造的轻量模型。

一分钟速览

• AWS 开源决策模型 Strands Decider 2B，灵感来自 TypeSafe 的 Jev；
• 主打高速、低成本，在预定义选项之间做选择并给出置信度；
• 完全开源，体量小到可以本地运行；
• 由 AWS 杰出工程师 Marc Brooker 发起，后由 Strands Labs 正式推出；
• 发布时机紧邻 OpenAI 的同类产品，决策模型赛道骤然拥挤。

为什么“会做选择”比“会聊天”更值钱

智能体（Agent）工作流里，大量环节并不需要前沿大模型的全部能力。比如“这封邮件该归档还是该标为紧急”“这个订单该转人工还是自动处理”，本质都是分类与决策问题。用动辄千亿参数的大模型来做，既慢又贵；而用一个专门优化过的小模型，则能做到又快又省，还能在本地跑，数据不出门。Strands Decider 2B 瞄准的正是这个空隙：在预先决定好的选项之间快速排序，同时输出一个“我有多确信”的分数，方便上层系统决定要不要请求人工复核。

有意思的是，这个项目最初的形态相当“草根”。AWS 杰出工程师 Marc Brooker 在看到 Jev 之后，自己动手做了一版试验品，结果意外地好用——曾在同尺寸模型的 Jevbench 排行榜上短暂登顶。后来 AWS 的工程师把它整理打磨，从 Strands Labs 正式发布，后者是 AWS 内部为新智能体工具和协议设立的团队。Brooker 表示，这类需求来自与客户的真实交流：很多智能体流程其实用不到前沿大模型的能力和成本。他还提到，把决策模型全开源，是为了让开发者能自己检查、自己部署，而不是把关键判断锁在黑箱里。

数据支撑：2B 参数，本地可跑

Strands Decider 2B 的“2B”指的是约 20 亿参数，这个体量意味着它可以在单机或边缘设备上运行，不需要庞大的 GPU 集群。对成本敏感的团队来说，把高频、简单的决策交给它，把少数复杂判断留给大模型，是一种更划算的架构。它发布的时间点也很微妙——正好与 OpenAI 宣布的同类产品前后脚。短短一周内，多家巨头扎堆推决策模型，一条新赛道迅速成形。

趋势洞察

“决策模型热”透露出一个重要信号：AI 应用的分工正在细化。未来的系统里，前沿大模型负责理解复杂意图，轻量决策模型负责高频判断，二者配合而非互相替代。开源则进一步降低了门槛，让中小团队也能搭出可靠、可控、可审计的自动化流程。对正在做智能体的开发者来说，这类“小模型 + 置信度输出”的组合，可能比单纯追求更强的通用模型更实用。

结语

当大家都盯着“更大的模型”时，真正决定智能体能不能落地的，往往是这些不起眼的小件：便宜、够快、可本地、能说清自己有多确定。亚马逊的这一步，补的正是这块地基。