Strands Decider 2B 是由 Strands Agents 发布的一个 20 亿参数开源决策模型。它基于 Qwen3.5‑2B 基础模型，移除生成文本的语言模型头，并用指针头替换，以参考位置对每个答案选项的隐藏状态进行评分。此架构使模型能够从预定义的备选集合中选择，并输出数值置信度分数，而不是自由形式的文本。{primary}
文章解释说，Strands Decider 2B 起始于 Qwen3.5-2B 基础模型，移除语言模型头，并用指针头替换，以对答案选项进行评分。
由于其被限制在固定选项集合中，Strands Decider 2B 总是从这些选项中返回答案，并且可以以非常低的延迟实现——在 RTX 3090 GPU 上中位数约为 115 ms，在 M3 MacBook 上约为 153 ms（针对小任务），延迟大约随着提示中的 token 数量线性增长。{primary} 在公开的 JevBench 基准测试中，该模型在 20 亿参数类的 33 个决策模型中排名第三，排除略高于 20 亿参数的模型后则排名第一，展示了竞争性的准确性和校准。{primary} 它还提供一个可靠性分数，用于估计其选择的置信度，这是标准 LLM 推理 API 通常不会暴露的特性。{primary} 这些特性使其适用于快速决策驱动的任务，如模型路由、工具选择、防护栏、内存管理、策略分类以及简单的游戏或迷宫导航。{primary}
文章指出，在 RTX 3090 上延迟约为 115 ms，在 M3 MacBook 上约为 153 ms，且大约随着提示 token 数量线性增长。
这种速度和确定性输出的权衡是灵活性降低：决策模型在解决复杂问题方面远不如完整的 LLM，且无法生成文本，因此不适用于聊天机器人、文档摘要、编码或其他开放式 LLM 任务。{primary} 该模型在开源许可证下发布，所有训练数据、脚本和权重均在 GitHub 和 Hugging Face 上提供，使得在 modeste 硬件上进行本地实验成为可能。{primary} 开发者可以使用提供的 CLI 工具或 Python 示例将 Strands Decider 2B 集成到智能体工作流中，这些示例展示了如何传递状态描述和选项列表，以获得所选选项及其置信度分数。{primary}
在 JevBench 基准测试中，该模型在 20 亿参数决策模型中排名第三，排除略高于 20 亿参数的模型后则排名第一，表明具有较强的准确性和校准。