AWS 旗下的 Strands 團隊在 10 月 1 日開源 Strands Decider 2B 決策模型，專門替 AI 代理人快速進行分類、工具選擇及安全判斷等工作。
模型共有 20 億個參數，可直接在本機 CPU 或 GPU 執行，並以低延遲完成決策。AWS 同步公開模型權重、訓練資料及訓練程式碼。
所謂決策模型（Decision Model），是一類專門用來做選擇的 AI 模型，不以生成自由文字為主要功能，而是在預先提供的選項中進行分類、判斷或評分。
相較大型語言模型，這類模型犧牲文字生成及複雜推理能力，換取更低延遲及較穩定的結構化輸出，並可為每項決策提供可信度分數。
這類模型近期隨 AI 代理人發展而受到關注。代理人在執行工作時，經常需要進行工具選擇、分類、路由及政策判斷等大量簡單決策，未必需要每次都交由大型語言模型處理。
前 OpenAI 研究人員 Diogo Almeida 創辦的 TypeSafe AI，今年 9 月發表的 Jev，也是這類決策模型之一，顯示這個方向已成為業界共識。
Strands Decider 2B 以 Qwen3.5-2B 預訓練模型為基礎，移除原本負責生成文字的 LM head，改用專門替答案選項評分的 pointer head，因此不再自由生成文字，而是直接從既定選項中做出判斷。
AWS 指出，這次發布的是第二個主要架構版本。早期版本採用 slot head，但表現較差，目前公開的模型已迭代至第 19 版。
延遲表現是這次發布的亮點。在 Nvidia RTX 3090 上的中位決策時間約 115 毫秒，在 M3 MacBook 處理小型工作時則約 153 毫秒，一般本機硬體就能快速完成判斷。
AWS 也示範將它放在 AI 代理人的工具呼叫流程中：當代理人準備執行某項工具時，先把對話內容及預定的工具呼叫交給 Decider 判斷，再決定是否繼續執行。
以查詢天氣為例，若使用者沒有提供地點，Decider 可在代理人呼叫天氣工具前判斷資訊不足，讓代理人先向使用者詢問地點，而不是自行猜測後直接執行查詢。
目前 AWS 已透過 GitHub 公開原始碼、訓練資料及相關範例，模型權重亦已上架至 Hugging Face，供開發者自由下載使用。
