Strands开源Decider 2B决策模型：在给定选项中快速选择，置信度仍需按业务校准
2026年10月1日，Strands团队公开Strands Decider 2B。这是一款约20亿参数的决策模型，面向模型路由、工具选择、分类和评估等工作。项目提供代码、权重、训练资料与脚本，开发者可以在本地CPU或GPU上尝试。
输出空间收窄，任务分工也更明确
与生成长段文字的语言模型不同，Decider在预先给出的选项之间选择，或者按指定等级评分，并返回相应概率信息。官方明确说明，它不适合代码生成、聊天、文档摘要以及需要复杂推理的任务。
公告展示了把决策检查放在工具调用前的示例：检查参数是否来自用户提供的信息，以及是否应当先澄清。该示例中的问题、阈值和策略由作者手工设定，官方没有把它作为通用生产安全方案推荐。
AI模型生成的本地决策与人工复核概念插图，并非模型内部结构图、官方界面或性能测量。
分数要结合错误代价理解
以下是本文分析。给客服工单选择“账单”“销售”“其他”，通常比决定是否删除客户数据更容易试验。两类任务即使获得相同的模型分数，后果也完全不同，因此不应共用一个未经评估的自动执行阈值。
候选选项本身也会影响结果。如果用户询问的事情不属于任何已列部门，模型仍然必须在给定范围内输出。业务流程可以显式加入“信息不足”或“需要人工分流”，再通过样本检验这些出口是否被正确使用。
项目方给出的本地延迟和基准成绩适合说明其研究方向，不能直接视为所有设备与任务的保证。尤其应同时观察问题长度、一次检查的问题数量，以及低分样本的实际错误类型。平均速度很快，也未必意味着复杂工单的尾部延迟足够低。
先做旁路比较，再让结果影响动作
一个可操作的试用方式，是让小模型先旁路读取已有分类任务，只记录建议和分数，不改变工单去向。随后按错误类型比较人工结果：漏掉紧急事项、选错团队和要求补充信息，各自发生多少次。
官方模型卡说明，演示HTTP服务绑定本机地址且不带认证，适用于本地实验。把它放进多人访问的服务环境之前，需要另行设计访问控制、数据保留和运行监测；下载权重并不等于这些外围条件已经具备。
Decider为智能体提供了一种更轻量的判断组件。它是否值得加入，最终取决于减少了哪类重复判断、引入了哪些新错误，以及无法确定时能否交回清楚的处理路径。
资料核对日期：2026年10月2日。本文未独立复现项目方的准确率、校准或延迟测试。
