AWS 于本周发布了 Strands Decider 2B，一款面向 AI 代理工作流的开源决策模型。该模型与 OpenAI 同周推出的类似产品形成竞争，主打高速、低成本、可本地运行的差异化路线。
长期以来，AI 代理的工作流编排面临一个矛盾：并非每个步骤都需要 GPT-4 级别的大模型能力，但调用完整 LLM 的成本和延迟又令人却步。AWS 杰出工程师 Marc Brooker 在与客户交流中发现了这一痛点，进而萌生了开发专用决策模型的想法。
"这类模型的吸引力在于，它们可以作为工作流中完美的决策节点——'基于当前状态，我下一步该做什么？'" Brooker 接受 TechCrunch 采访时表示。相比完整 LLM，决策模型的优势在于结构更可控（答案域封闭）、延迟更低、成本更优。
核心变化：从文本生成到选项排序
Strands Decider 2B 基于 Qwen3.5-2B 构建，但并非生成文本，而是在给定候选选项中做出排序，并输出置信度评分。模型完全开源、现已可用，体积足够小，可直接在本地运行。
Brooker 的内部原型曾短暂登顶 Jevbench 同规模模型榜首，这一成绩促使 AWS 将其正式纳入 Strands Labs 项目向外发布。Strands Labs 是 AWS 内部专注于 AI 代理工具与协议开发的组织。
值得注意的是，该模型的灵感来源——TypeSafe 的 Jev——以经济学家威廉·斯坦利·杰文斯（William Stanley Jevons）命名。杰文斯曾提出"某商品成本下降反而会刺激需求增长"的理论，TypeSafe 希望这一命名暗示：廉价 AI 决策能力的普及将大幅扩展其应用场景。
影响与建议：垂直赛道升温，但壁垒未必在 frontier 实验室
自 TypeSafe 率先推出决策模型概念以来，业界已涌现数十个类似项目。Brooker 指出，真正的挑战在于如何在提升准确率与校准能力的同时，不损害模型对多语言的理解和知识储备——这些正是其保持通用性的基础。
不过，Brooker 认为 frontier 实验室未必能主导这一细分赛道。由于市场规模有限，打造一个有竞争力的决策模型成本仅在数百至数千美元量级。
TypeSafe CEO 兼创始人 Diogo Almeida 则相对淡定。他对 TechCrunch 表示："当前入局者中，更多是 ML 从业者想实现一个酷炫架构，而非真正致力于将智能落地为可用产品。"
评论