Strands Decider 2B: модель принятия решений с 2 млрд параметров для агентных рабочих процессов

Strands Labs (AWS) выпустила Strands Decider 2B — открытую модель принятия решений на 2 миллиарда параметров, оптимизированную для быстрых локальных экспериментов и агентных рабочих процессов. В отличие от универсальных LLM, модели принятия решений предназначены для выбора из фиксированного набора вариантов (например, «Относится ли „включи свет“ к кофемашине? Да или нет.») или для присвоения простых числовых оценок (например, тональность от 0 до 1).

Что это и почему это важно

Модели принятия решений жертвуют гибкостью ради скорости и надёжности. Они всегда возвращают ответ из предложенных вариантов, работают с очень низкой задержкой и выдают оценку калибровки («насколько я уверена, что это правильно?»), которую API передовых LLM не предоставляют. Компромисс: они хуже справляются со сложными рассуждениями и не умеют генерировать текст, поэтому не подходят для программирования, чат-ботов или суммаризации.

Strands позиционирует это как новый класс моделей «системы один», вслед за запуском Jev от TypeSafe AI в начале этого месяца. Цель — управлять шагами принятия агентных решений в SDK Strands Harness.

Архитектура

Модель берёт предобученный торс Qwen3.5-2B, удаляет LM-голову (убирая генерацию текста) и заменяет её на указательную голову, которая оценивает каждый предложенный вариант. Голова сравнивает скрытое состояние в позиции каждого варианта со скрытым состоянием в позиции <answer>. Голова небольшая — чуть больше 1 млн параметров — а торс дообучен с помощью LoRA-адаптера ранга 16.

Это v19 архитектуры. В первой итерации использовалась слотовая голова, которая показала значительно худшие результаты; все заметки об итерациях есть в репозитории.

Бенчмарки

Strands измерила точность на публичном наборе JevBench и калибровку через Brier score на том же наборе:

• Точность: 3-е место из 33 в классе 2B
• Точность без учёта моделей чуть больше 2B: 1-е место из 30
• Задержка (медиана): ~115 мс на Nvidia RTX 3090, ~153 мс для небольших задач на M3 MacBook
• Задержка масштабируется примерно линейно с размером задачи

Доступность

• Код на GitHub: strands-decider-2b
• Веса на Hugging Face
• Включает все данные и скрипты обучения
• Работает на локальном CPU или GPU — вызовы API не требуются

Для кого это

Для разработчиков, создающих агентные рабочие процессы, которым нужны быстрые, калиброванные решения «да/нет» или классификация на периферии, и для исследователей, которым нужна небольшая, удобная для модификации база для экспериментов с моделями принятия решений.