亚马逊发布自研 Jev 克隆模型，决策模型赛道迎来爆发
决策模型热潮再添一把火
当业界还在为大语言模型的参数规模争论不休时，一类更轻量、更专注的模型正在悄然崛起。亚马逊云科技（AWS）旗下 Strands Labs 正式发布了开源决策模型 Strands Decider 2B，紧随 TypeSafe 的 Jev 之后，成为这一新兴赛道的最新入局者。
什么是决策模型？
决策模型的核心思路并不复杂：它不生成文本，而是在预设选项中做出选择，并给出置信度评分。Strands Decider 2B 构建于 Qwen3.5-2B 的骨架之上，但输出的不是自然语言，而是经过校准的选项判断。
这种设计让它天然适合嵌入自动化工作流。正如亚马逊杰出工程师 Marc Brooker 对 TechCrunch 所说：“这类模型最初吸引我的地方在于，它们是工作流步骤的完美决策者——基于当前状态，我下一步该做什么？”
从个人项目到正式发布
Strands Decider 的诞生颇具戏剧性。Brooker 在看到 TypeSafe 的 Jev 后，决定自己动手构建一个类似模型。这个“业余项目”表现出色，曾在同尺寸模型的 Jevbench 排行榜上短暂登顶。随后，亚马逊工程师将其整理完善，通过 Strands Labs 正式对外发布——该组织专注于开发部署 AI 智能体的新工具和协议。
Brooker 透露，这一需求源于与 AWS 客户的交流：他们的智能体工作流并不总是需要全功能 LLM 的能力和成本。Strands Decider 提供了一种更可靠、更低延迟、可能更低成本的选择，其可靠性部分来自置信度评分和封闭的答案域。
竞争与挑战
值得注意的是，OpenAI 在同一周也宣布了类似产品，而自 TypeSafe 首次提出这一概念以来，已有数十个类似模型问世。这既显示了广泛的研究兴趣，也引发了一个问题：这些模型究竟能创造多大价值？
Brooker 认为，真正的挑战在于在优化决策速度的同时不牺牲智能水平。他提到需要在准确性和校准性之间找到微妙的平衡，同时不能损害模型对多语言的理解和知识储备。
行业意义
决策模型的兴起反映了 AI 应用的一个务实转向：并非所有任务都需要前沿大模型。在智能体工作流中，快速、廉价、可靠的“下一步决策”往往比生成一段流畅文本更有价值。Strands Decider 2B 完全开源、可本地运行的特点，进一步降低了企业部署智能体的门槛。
随着亚马逊和 OpenAI 等巨头的加入，决策模型正从学术概念走向工程实践。这条赛道的下一步，将取决于能否在速度与智能之间找到那个“恰到好处的平衡点”。
