亚马逊开源 Strands Decider 2B：面向本地部署的轻量决策模型
据 IT之家 10 月 3 日消息，Amazon（亚马逊）Strands Agents 团队当地时间本月 1 日宣布推出 Strands Decider 2B 决策模型。来源显示，该模型已在 GitHub 上开源，模型权重可在 Hugging Face 获取，并支持在本地 CPU 或 GPU 环境中运行。与常见以文本生成为核心能力的语言模型不同，Strands Decider 2B 更聚焦“决策”场景：它用于对候选动作或选项进行评估与选择，为智能体工作流中的下一步执行提供判断依据。
从生成模型到决策模型：Strands Decider 2B 的结构变化
从模型设计看，Strands Decider 2B 基于预训练的 Qwen3.5-2B“躯干”构建，但亚马逊团队并未沿用原本负责文本生成的语言模型“头部”。来源摘要显示，团队将其替换为一个具备评分能力的指针“头部”，用于面向决策任务输出评分或选择结果。
这一变化意味着，Strands Decider 2B 并不是要成为一个通用聊天模型，而是更像智能体系统中的“裁判”或“路由器”。在实际应用中，智能体往往需要在多个工具、多个步骤或多个候选方案之间做选择。传统做法可能直接让大模型生成自然语言推理过程，再解析出动作；而决策模型则试图把这类选择过程做得更轻、更快、更可控。
来源显示，新“头部”规模较小，总参数仅略超过一百万；作为主体的“躯干”则通过一个 rank-16 LoRA 适配器进行微调。对开发者来说，这类设计的价值在于：在保留预训练模型表征能力的同时，尽量降低针对决策任务的额外参数成本，也为后续定制化微调留下空间。
- 开源方式：代码已在 GitHub 开源，权重可在 Hugging Face 获取。
- 运行环境：支持本地 CPU / GPU 推理，便于在私有环境中集成。
- 模型基础：采用 Qwen3.5-2B 预训练“躯干”，并替换为评分型指针“头部”。
- 适配方式：“躯干”通过 rank-16 LoRA 适配器微调。
性能表现：强调低时延与可校准的决策能力
根据来源信息，Strands Decider 2B 在 JevBench 公开数据集上取得了不错的准确率和校准度表现。在 2B 级别模型中，其排名第 3，并且优于所有严格不超过 2B 参数规模的竞争对手。这里的“校准度”对于决策模型尤其重要：如果一个模型不仅能给出选择，还能让评分与实际可靠性更匹配，那么它在自动化系统中的风险控制价值会更高。
在本地运行方面，来源显示，Strands Decider 2B 在市面常见硬件上交出了 113ms 的决策时延中位数；在 NVIDIA GeForce RTX 3090 上执行小型决策任务时，中位数时延为 153ms。对于智能体应用而言，决策步骤往往会在一次任务中多次发生，因此单次决策时延会直接影响整体交互体验与自动化流程效率。
影响解读：智能体系统正在走向“模块化分工”
Strands Decider 2B 的发布反映出一个值得关注的方向：AI 应用并不总是需要一个更大的通用模型包办所有任务。随着智能体框架、工具调用和自动化流程的发展，系统内部可能会拆分出规划、检索、执行、验证、决策等不同模块，各模块使用更合适的模型来完成特定职责。
在这一思路下，大模型可以继续承担复杂理解与生成任务，而类似 Strands Decider 2B 的轻量决策模型，则可以负责更高频、结构化、低延迟的判断环节。对于企业和开发者来说，本地部署也带来两方面潜在优势：一是降低对远程推理服务的依赖，二是便于在涉及内部数据、工具权限和自动化流程时进行更细粒度的控制。
当然，Strands Decider 2B 的实际价值仍取决于具体场景。公开基准上的表现并不等同于所有业务环境中的稳定收益，开发者仍需要结合自身任务分布、候选动作设计和失败处理机制进行测试。但从产业趋势看，面向智能体的专用小模型正在成为开源生态中的重要分支。亚马逊此次开源的 Strands Decider 2B，为本地化智能体决策组件提供了一个新的可选方案。