Amazon Web Services 透過 Strands Labs 於二零二六年十月一日推出開源決策模型 Strands Decider 2B，約二十億參數，可在本地 CPU／GPU 以毫秒級完成封閉選項評分與校準信心分數。官方連同權重、訓練資料與腳本一併公開。來源真實性已驗證。

決策模型不生成任意文字，而是在預設選項中作選擇並給出分數，適合代理工作流中的路由、工具選取與動作審核。對香港企業而言，可把昂貴前沿大模型留給難題，把高頻例行判斷下放至可本地部署的小型決策層。

Amazon／AWS／官方：推出開源決策模型 Strands Decider 2B——約二十億參數本地推論；毫秒級選項評分；完整訓練資料公開

Amazon Web Services（AWS）於二零二六年十月一日經 Strands Agents 官方部落格宣布，以 Strands Labs 名義開源釋出決策模型 Strands Decider 2B。來源真實性已驗證：對照官方技術說明與 TechCrunch 報導，產品定位、架構描述與延遲數字一致。該模型屬近年興起的「決策模型／System One」路線——繼 TypeSafe AI 的 Jev，以及同日 Cloudflare 等業者跟進之後，AWS 以可本地運行、連訓練配方一併公開的方式切入同一賽道。

一、核心事件：為代理工作流加一層「毫秒級裁判」

技術細節

官方說明，決策模型不像一般大型語言模型（LLM）可任意生成文字，而是在給定選項集合中作選擇（例如是／否、哪個團隊接手），並可輸出簡單數值分數（例如情緒介乎零至一）。換取靈活性之後，換來同尺寸下更快、必定落在選項內的答案，以及極低延遲。

Strands Decider 2B 約二十億參數，官方指可在本地 CPU 或 GPU 運行，對有意義問題的回答可達數十毫秒級。官方公布在常見硬體上的中位延遲約為：NVIDIA RTX 3090 約一百一十五毫秒；Apple M3 MacBook 小任務約一百五十三毫秒。延遲大致隨任務 token 規模近似線性上升。

AWS 傑出工程師 Marc Brooker 向 TechCrunch 表示，靈感來自與客戶討論代理工作流時發現：並非每一步都需要完整前沿 LLM 的能力與成本；決策模型適合充當「接下來該做什麼」的工作流步驟，並因信心分數與封閉答案域而更易結構化、延遲與成本也可能更低。

二、技術原理：拿掉文字頭、換成指標頭

官方架構：以預訓練 LLM「軀幹」Qwen3.5-2B 為基礎，移除負責文字生成的 LM head，改以指標頭（pointer head）對各選項位置的隱藏狀態與答案標記位置評分；該頭參數僅逾約一百萬。軀幹以 rank-16 LoRA 適配器微調。官方稱本次釋出為多次迭代後的 v19 版本，並在倉庫公開各版變更軌跡。

評估方面，官方以第三方基準 JevBench 公開集量測準確度，並以 Brier 分數檢視校準。官方稱在約二十億參數級別中名列第三十三名中的第三，若排除略大於二十億參數的模型則在三十名中居首。官方強調複雜推理仍遠不及推理型大模型；亦因不能生成文字，不適合作編碼、聊天或文件摘要等常見 LLM 任務。

使用入口方面，官方示範以 pip install strands-decider 安裝 CLI，並提供與 Strands agent 整合、在工具呼叫前以決策模型審核「參數是否有用戶事實依據／是否過早呼叫工具」的範例。權重放上 Hugging Face，程式與訓練資料／腳本在 GitHub；公開套件資料標示採 Apache 2.0。

三、日常應用場景

1. 開發者與技術團隊

可用於模型路由、工具選取、評估、護欄、記憶與上下文管理、政策分類等「高頻但選項封閉」的步驟；亦可與固定工作流語言組合成混合管線，把最難決策留給 LLM、把例行判斷交給決策模型以降本加速。

2. 企業與注重合規的行業

本地可跑、配方可審計，有利於金融、法律、醫療等希望把審核邏輯留在可控環境的機構。官方／報導亦指目前以開源模型為主、暫無託管按次 API 收費敘事，企業需自備硬體或雲端算力；上線前仍應以自身資料做校準與紅隊測試。

3. 一般用戶／初創團隊

小型團隊可在筆電實驗代理護欄與路由，毋須一開始就負擔大型模型 API 帳單。惟決策模型只回答「選項內」問題，產品文案、客服對話與長文生成仍需搭配生成式模型。

4. 香港與亞洲市場視角

香港金融科技與企業 IT 正大量試行 AI 代理處理工單分流、合規檢查與內部知識問答。Strands Decider 這類可本地部署的決策層，有助在個人資料出境敏感的場景，把「是否呼叫外部工具／是否升級人工」留在境內算力。亞洲多語環境下，官方亦提醒微調時須在準確度與語言／常識能力之間取平衡，避免為刷基準而削弱多語理解。

四、專業評價與潛在考量

優勢

• 官方技術稿＋主流科技媒體交叉驗證，數字與架構敘事清晰。
• 開源連同訓練資料與腳本，可複現、可自訓，與僅提供 API 的決策服務形成差異。
• 延遲與成本結構適合塞進每一步代理動作的審核路徑。

需要留意的地方

• 與 Cloudflare Clef 等屬同一「決策模型熱潮」，但交付形態不同（本地開源權重 versus 邊緣託管）；企業應按資料主權、維運能力與延遲預算選型，而非視為同一產品。
• JevBench 任務數有限，官方／社群文件亦提醒單次分數差異不宜過度解讀。
• 不能生成文字、不善複雜推理；誤用為通用聊天模型會失望。
• TypeSafe 創辦人向 TechCrunch 表示，目前一批跟風實作未必等同「真正好用的智能」，校準與實務智慧仍是門檻。
• 同週 OpenAI 亦透露類似 Decisions API 方向，類別競爭激烈，介面與生態可能快速洗牌。

結語

Strands Decider 2B 顯示：代理系統不一定每一步都要燒最貴的前沿模型——把封閉選項的判斷拆成可本地、可審計、毫秒級的決策層，正成為二零二六年代理工程的主流選項之一。香港企業若要在私有資料與合規邊界內組裝類似「大模型＋決策模型」混合代理，可參考 YSK Limited 的企業私有 LLM 全託管（年費 HK$88,000 起，Dataset → QLoRA／LoRA → 私有 API，數據不出境）（https://ysk.hk/services/ai-automation）。若同時需要把代理能力嵌進內部 App 或 ERP／工單流程，亦可了解香港 APP 開發服務（https://ysk.hk/services/app-development）。

參考來源

1. Strands Agents 官方：Introducing Strands Decider 2B: a small, open source, decision model — https://strandsagents.com/blog/introducing-strands-decider/
2. TechCrunch：Amazon releases its own Jev clone as decision models flood the web — https://techcrunch.com/2026/10/01/amazon-releases-its-own-jev-clone-as-decision-models-flood-the-web/
3. PyPI：strands-decider（套件與授權標示）— https://pypi.org/project/strands-decider/
4. VentureBeat：Amazon unveils … Strands Decider 2B…（Apache 2.0／開源定位旁證；本機直連曾 429）— https://venturebeat.com/technology/amazon-unveils-a-free-fast-open-source-jev-killer-strands-decider-2b-makes-decisions-in-fractions-of-a-second