Strands Decider 2B: darmowy model decyzyjny od AWS

Czym jest model decyzyjny

Model decyzyjny odpowiada na zamknięte pytanie, wybierając jedną z wcześniej przygotowanych odpowiedzi. Zwykły duży model językowy generuje w takiej sytuacji tekst, który trzeba potem przetworzyć. Model decyzyjny od razu zwraca wybór i liczbę opisującą pewność, co jest szybsze, tańsze i łatwiejsze do obsłużenia w kodzie.

Tę kategorię spopularyzował Jev, model firmy TypeSafe AI udostępniony według VentureBeat 15 września 2026 roku. Jev działa tylko przez płatne API, a firma nie opublikowała wag. Strands Decider 2B jest jedną z kilku otwartych odpowiedzi na ten produkt.

Co udostępnił AWS

Model przygotował zespół Strands Labs, związany z otwartym zestawem narzędzi Strands Agents do budowania agentów AI. Autorami wpisu są Marc Brooker, Mike Chambers i Fabio Nonato de Paula. Podstawą jest Qwen3.5-2B od Alibaby, z którego usunięto warstwę generującą tekst i dodano tzw. pointer head, czyli moduł oceniający każdą podaną opcję.

AWS wskazuje zastosowania w agentach: wybór modelu lub narzędzia, ocenę wyników, zabezpieczenia, zarządzanie pamięcią i kontekstem oraz klasyfikację według polityk firmy. Model może działać samodzielnie albo razem z agentami Strands korzystającymi z modeli w Amazon Bedrock.

• Rozmiar: około 1,9 mld parametrów, licencja Apache 2.0.
• Wynik w JevBench: 72,3 proc. zadań, kalibracja ECE 0,052 według repozytorium.
• Opóźnienie: około 115 ms na RTX 3090, około 153 ms na MacBooku M3.
• Uruchomienie: GPU Nvidia, Apple Silicon albo sam procesor.

Jak wypada na tle płatnego Jev

Bezpośredniego porównania brakuje. AWS podaje, że model zajmuje 3. miejsce na 33 w klasie modeli 2B w zestawieniu JevBench, ale nie publikuje wyniku samego Jev na tych samych zadaniach. VentureBeat podaje, że TypeSafe pobiera 0,042 USD za milion tokenów wejściowych, czyli około 0,16 zł według kursu NBP z 1 października 2026 roku (3,8762 zł za dolara).

Strands Decider jest darmowy do pobrania, ale wymaga własnego sprzętu i utrzymania. Przy niewielkiej liczbie zapytań tańsze może być więc płatne API. Przy dużym ruchu albo danych, które nie mogą opuszczać firmy, przewagę daje model uruchamiany lokalnie.

Ograniczenia i ryzyka

Wyniki pochodzą od autorów modelu i z testu, który nie został niezależnie zweryfikowany. JevBench jest benchmarkiem stworzonym wokół jednego produktu, więc nie mówi wiele o jakości decyzji w konkretnym procesie firmy. Model nie był też opisany pod kątem pracy z poleceniami po polsku.

VentureBeat zwraca uwagę, że tani, probabilistyczny klasyfikator nie może być jedyną barierą bezpieczeństwa. Odpowiednio przygotowany tekst może wpłynąć na jego werdykt, dlatego model decyzyjny w roli strażnika agenta wymaga dodatkowych zabezpieczeń i kontroli uprawnień.

Dla kogo to rozwiązanie

Model jest przeznaczony dla zespołów, które budują agentów AI i płacą za wywołania dużych modeli tylko po to, aby uzyskać prostą etykietę. Przykładem jest kierowanie zgłoszeń do działów, ocena, czy agent może uruchomić narzędzie, albo wybór tańszego modelu do prostego zadania.

W naszej ocenie polskie firmy powinny zacząć od porównania na własnych danych: kilkaset historycznych decyzji, wynik dużego modelu, wynik Strands Decider i koszt obu wariantów. Dopiero taki test pokaże, czy oszczędność nie odbywa się kosztem trafności.