资讯 · 改写稿
只做判断的小模型：Strands Decider 2B 与「决策模型」这一类
结论先给：决策模型放弃了「生成」，换来的是同尺寸下更强、延迟更低、且每次判断都带一个可靠性分数。Strands Decider 2B 把这条路走成了 2B 参数、可在本地 CPU 运行的开源模型。
来源（Strands Agents 博客）发布了 Strands Decider 2B：一个面向快速实验、本地开发与创新的小型开源决策模型。来源把它归入「决策模型 / System One 模型」这一类，并明确说这一类在 TypeSafe AI 本月发布 Jev 之后获得了大量关注。
它和普通大模型差在哪
来源把差别讲得很清楚：大模型可以生成任意输出，而决策模型只做两件事——在一组选项里挑一个（比如「『turn on the lights』这句是在说咖啡机吗？是或否」），或者给一个简单的数值分数（比如「这句话是正面情绪吗？0 到 1 之间」）。
用灵活性换来的好处是：更快、同尺寸下更强、总能在给定选项里给出答案、延迟可以很低。反过来，代价也很直接：
- 它在一次并行里生成全部输出，因此解决复杂问题的能力明显弱于推理模型；
- 它不会生成文本，因此不适合编码、聊天机器人、文档摘要这些常见任务。
两个容易被忽略的性质
来源强调了决策模型的两个额外特点：每个判断都会附带一个高质量的可靠性分数（「这个『是』我有多确信」），而这在前沿大模型的推理 API 里是拿不到的；此外，针对同一段提示词同时问多个问题，它的效率非常高。来源认为这两点正好契合很多开发者用 Strands 那套工具在搭的 Agent 工作流。
它有多大、怎么做的
来源称 Decider 2B 是 20 亿参数的模型，适合跑在本地 CPU 或 GPU 上，能在几十毫秒内返回答案，准确度与校准度在这一类模型里与已知同类相当。架构上的核心思路是：拿一个预训练好的大模型「躯干」（Qwen3.5-2B），去掉语言模型头（也就是拿走它生成文本的能力），换成一个指针头来给候选答案打分。
本站计算——按 4-bit 量化估算参数占用：20 亿 × 4 ÷ 8 = 10 亿字节，约 1 GB。这解释了它为什么能跑在本地 CPU 上；对照前沿大模型 3 秒到 300 多秒的延迟，决策模型把「一次判断」的成本压到了毫秒级。来源还把它开源了：代码在 GitHub、权重在 Hugging Face，连训练数据和脚本一并放出。
拿决策模型做编码或摘要：它不生成文本，这类任务本就不适合。
指望它解决复杂推理：单次并行输出让它明显弱于推理模型。
忽略可靠性分数：这是它相对前沿推理 API 的独有信息。
自检清单
常见问题
什么是决策模型？
来源称这类模型不做任意生成，而是从给定选项中挑一个，或输出一个简单数值分数，用灵活性换取速度与同尺寸下的能力。
Decider 2B 有多大？
来源称它是 20 亿参数的模型，适合在本地 CPU 或 GPU 运行，能在几十毫秒内返回答案。
它的架构有什么特别？
来源称做法是取预训练的 Qwen3.5-2B 躯干、去掉语言模型头，换成一个给候选答案打分的指针头。
它适合和不适合什么？
适合驱动需要大量判断的 Agent 工作流；来源明确说不适合编码、聊天机器人、文档摘要等需要生成文本的任务。
来源参考
以上为外部来源；本文为 RefHub 用自己的结构重写，事实以来源页为准，价格与政策会变，请回源核对当日。
下一步：会做判断的模型怎么用，读 Jev 与类型化判断；判断该不该回话，见 Agent 接进群之后。