Strands Decider 2B: 에이전트 워크플로를 위한 2B 파라미터 의사결정 모델

Strands Labs(AWS)가 빠른 로컬 실험과 에이전트 워크플로에 최적화된 20억 파라미터 오픈소스 의사결정 모델 Strands Decider 2B를 공개했습니다. 범용 LLM과 달리 의사결정 모델은 정해진 선택지 중에서 고르거나(예: "'불 켜줘'가 커피 머신에 관한 건가요? 예 또는 아니오.") 단순한 수치 점수를 매기도록(예: 0과 1 사이의 감정 점수) 설계되었습니다.

무엇이고 왜 중요한가

의사결정 모델은 유연성을 포기하는 대신 속도와 신뢰성을 얻습니다. 항상 주어진 선택지 중 하나를 답으로 반환하고, 매우 낮은 지연으로 실행되며, 최전선 LLM API가 노출하지 않는 보정 점수("이게 맞다고 얼마나 확신할 수 있나?")를 함께 출력합니다. 대신 복잡한 추론에는 약하고 텍스트를 생성하지 못하므로 코딩, 챗봇, 요약에는 적합하지 않습니다.

Strands는 이번 달 초 TypeSafe AI가 Jev를 출시한 데 이어, 이를 새로운 종류의 "시스템 1" 모델로 규정합니다. 목표는 Strands Harness SDK에서 에이전트의 의사결정 단계를 주도하는 것입니다.

아키텍처

이 모델은 사전학습된 Qwen3.5-2B 몸통을 가져와 LM 헤드를 제거하고(텍스트 생성 제거), 제시된 각 옵션에 점수를 매기는 포인터 헤드로 교체했습니다. 이 헤드는 각 옵션 위치의 은닉 상태를 <answer> 위치의 은닉 상태와 비교합니다. 헤드는 100만 개 조금 넘는 파라미터로 작고, 몸통은 랭크 16 LoRA 어댑터로 파인튜닝했습니다.

이는 아키텍처의 v19입니다. 첫 버전은 슬롯 헤드를 사용했는데 성능이 훨씬 나빴습니다. 모든 반복 기록은 저장소에 있습니다.

벤치마크

Strands는 JevBench 공개 세트에서 정확도를, 같은 세트에서 Brier 점수로 보정을 측정했습니다:

• 정확도: 2B 클래스에서 33개 중 3위
• 2B를 약간 넘는 모델을 제외한 정확도: 30개 중 1위
• 지연(중앙값): Nvidia RTX 3090에서 약 115ms, M3 MacBook에서 작은 작업 기준 약 153ms
• 지연은 작업 크기에 거의 선형으로 비례

사용 가능 여부

• GitHub 코드: strands-decider-2b
• Hugging Face 가중치
• 모든 학습 데이터와 스크립트 포함
• 로컬 CPU 또는 GPU에서 실행 — API 호출 불필요

누구를 위한 것인가

엣지에서 빠르고 보정된 예/아니오 또는 분류 결정이 필요한 에이전트 워크플로를 만드는 개발자, 그리고 의사결정 모델 실험을 위한 작고 개조하기 쉬운 기반을 원하는 연구자를 위한 것입니다.