Strands Decider 2B 在 2026 年 10 月 7 日由 Strands Agents 团队开源发布，它不写文章、不聊天，只做一件事：在给定的选项里挑一个，并给出自己有多大把握。2B 参数、本地百毫秒级延迟、权重与训练数据全部公开，这类被称为决策模型的小模型，正在智能体工作流里抢下一块原本属于大模型的地盘。
它和普通大模型差在哪
普通大模型回答问题靠逐字生成，答案空间没有边界；决策模型反过来，先把候选选项摆好，再用一次并行计算同时给每个选项打分，最后只输出选项和分数。代价很明确：它不会生成文本，复杂推理也明显弱于推理模型，写代码、做摘要、陪聊这类活儿都干不了。换来的好处同样明确：答案永远落在给定选项内，速度快，而且每个判断都附带一个可信度分数——这个分数经过校准，能大致反映判断对的概率，这是前沿大模型的接口通常不直接给的东西。
架构上做了一次减法
Strands Decider 2B 以 Qwen3.5-2B 为躯干，去掉负责生成文本的语言模型头，换上一个只有一百多万参数的指针头：它拿每个选项位置的内部状态，去和答案标记位置的状态比对打分。躯干本身只用秩为 16 的 LoRA 适配器微调。团队说这次放出的是第 19 个迭代版本，仓库里完整记录了每一版改了什么，包括早期一个效果明显更差的槽位头方案为什么被放弃。
成绩和速度
在 JevBench 公开集上，它在 2B 级别 33 个模型里排第 3，若排除参数略超 2B 的模型则排第 1；校准质量用 Brier 分数衡量，与准确率一起公布。延迟方面，本地 RTX 3090 上中位约 115 毫秒，M3 MacBook 上小任务中位约 153 毫秒，且随任务长度近似线性增长。对需要在每次工具调用前都做判断的场景来说，这个量级的延迟才有可能塞进调用链路，而不必为每个小判断都付一次大模型推理的钱。
它在智能体里具体干什么
团队列出的典型用途包括模型路由、工具选择、自动评测、安全护栏、记忆管理、上下文管理和策略分类。随仓库给出的示例很能说明问题：一个智能体在用户没说城市时就急着调用天气工具，Decider 在工具真正执行前先回答两个是非题——参数里的值是不是用户真的说过、现在调用是不是太早——几行代码据此决定放行、拦截、转人工确认，还是把回合退回给模型并附上反馈。更宏观的玩法是混合分工：最难的判断留给大模型，大量重复、规则明确的小判断交给决策模型，成本和延迟一起降下来。
对正在搭智能体的团队，这次发布的信号在于分工开始细化：不是所有判断都值得动用前沿模型。它的边界也要看清——选项必须由人或上层系统先定义好，它只负责选；选项本身错了，它选得再准也没用。 pip 安装 strands-decider 即可本地试用，权重在 Hugging Face 上以开源形式提供，训练数据和脚本一并公开，想自己训一个同类小模型的团队有了完整的起点。
