一句话看懂：Strands Agents 发布并开源了 2B 参数的决策模型 Strands Decider 2B，它在本地 CPU 或 GPU 上就能运行，约 115 毫秒内从给定选项中选出答案并给出可靠度分数，瞄准的是开发者实验和智能体工作流。
事件核心：发生了什么
2026 年 10 月，Strands Agents 在其 strands-labs 项目下正式推出 Strands Decider 2B。这是一个 20 亿参数的小型决策模型，定位不是生成文本，而是在预设选项之间做选择，或给某个判断打出简单数值分数，例如判断“turn on the lights”是否与咖啡机有关、某句话属于哪种语言、情感倾向是 0 到 1 的哪个值。
它基于 Qwen3.5-2B 的预训练躯干改造，去掉语言模型头，换成指针头，并用 rank-16 LoRA 适配器微调。模型权重、训练数据和脚本已在 GitHub 和 Hugging Face 开源，方便开发者复现和二次开发。官方称，在 JevBench 公开集上，Strands Decider 2B 在 2B 参数级别中准确率和校准表现进入前三，在排除略超 2B 的模型后排名第一；本地 RTX3090 上中小任务延迟中位数约 115 毫秒，M3 MacBook 约 153 毫秒。
为什么重要
决策模型或“系统一模型”最近受到关注，包括 TypeSafe AI 推出的 Jev。与通用大模型不同，它们不让模型自由生成任意文本，而是让模型在有限选项上做判断。代价是灵活性下降，换来的是同尺寸下更快、更可靠，且始终输出选项内的答案，还能给出置信度分数。这类模型不擅长复杂推理、写代码、聊天或总结文档，但在智能体工作流中，频繁做小决策的场景很多，例如意图路由、工具选择、条件判断。Strands Decider 2B 的意义在于，它把这一路线做成了小尺寸、可本地跑、可开源的方案，降低了开发者实验门槛。
对用户/开发者/创作者的影响
对开发者来说，最直接的价值是可以在本地 CPU 或 GPU 上跑一个 2B 模型，用低延迟完成分类、路由、打分类任务，不必每次调用云端大模型 API。开源权重和训练脚本也让小团队可以基于自己的数据继续微调，或复现作者的架构改进过程。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对普通用户和内容创作者，这个模型不会直接变成聊天机器人或写作工具，但它可能被集成进智能体应用的后台，让“该调哪个工具”“这条评论是正面还是负面”这类判断更快、更省算力。需要注意的是，目前公开信息显示它的能力限定在决策和打分，不能替代生成式大模型做内容创作。
值得关注的后续
一是社区是否会基于开源权重做出更多垂直场景的微调模型，例如客服路由、智能家居指令解析；二是准确率和校准分数能否在更多公开评测集上得到独立验证，而不只依赖 JevBench；三是延迟下限能否继续降低，以及它和 Jev 等同类模型的竞争会如何影响智能体开发框架的选型。
