AWS 发布了一个不会写字的模型，而这正是重点

10 月 1 日，AWS 旗下的 Strands Agents 项目发布了 Strands Decider 2B，参数量约 20 亿。它最有意思的地方，是被拿掉的那部分。根据 Hugging Face 上的模型卡和 GitHub 仓库，它以阿里巴巴的 Qwen3.5-2B-Base 为基础，去掉了预测下一个词的输出头，换成一个为输入选项打分的指针头（pointer head）：新增参数仅一百多万，并用秩为 16 的 LoRA 进行适配。由 Marc Brooker、Mike Chambers 和 Fabio Nonato de Paula 署名的官方博客写道：「Decision models are designed to pick between sets of options... and assign simple numerical scores」。这不是一个被阉割的聊天机器人，而是一个专为某类任务设计的组件，这类任务在智能体中无处不在：调用哪个工具、把请求交给哪个模型、某个操作是否在允许范围内。这些都是在已经写好的备选项之间做选择，让 LLM 去生成文本纯属白费功夫。

官方公布的数字：在 JevBench 公开集上达到 72.3%，即 231 个任务中完成 167 个；ContractNLI 87.2%，MuSiQue 88.4%，HotpotQA 71.7%。在 RTX 3090 上延迟中位数约 115 毫秒，在搭载 M3 的 MacBook 上为 153 毫秒，且大致随任务规模线性增长。博客称该模型在 2B 级别 33 个模型中排名第三，若排除刚好超过门槛的模型，则在 30 个中排名第一。但必须指出，各方来源对不上：VentureBeat 报道的是中位数 106 毫秒、排名第二，不过它测的是 v18，计入了 HTTP 往返时间，并剔除了 7.7 秒的服务器预热；而博客和仓库说的是 v19。延迟上的差异可能源于版本和测量方式不同；排名上的差异则至今无法解释——这是一个应当保持开放的疑点。

局限清单由 AWS 自己列出，值得一读：不能写代码，不能当聊天机器人，不能做摘要；在复杂问题上不如推理模型；处理长文档和多步推理较弱；校准只针对简短的分类任务；继承了公开数据集中的标注噪声。最重要的是，不能把模型的判断当作抵御恶意输入的安全边界——而这恰恰是最容易犯的错，因为建议用途里就包括护栏（guardrails）。最自然的比较对象是 TypeSafe 的 Jev，一款以托管服务形式提供的专有决策模型，我们此前已报道过。据 VentureBeat 报道，AWS 的材料中没有与 Jev 的直接准确率对比。也没有证据表明自行部署比托管服务更便宜。专用的集成库目前仍在开发中。

这次发布的特别之处不在于权重本身，而在于权重连同配方一起公开：代码、训练流程、数据清单、评测，以及 Apache 2.0 许可。性能仍是自行公布的，目前也还没有独立验证，但配方摊开在那里，任何人都可以尝试证实或推翻——这和只能相信产品页面上的一个数字，完全是两回事。让我印象深刻的是，这里最扎实的贡献是一次减法：拿掉模型说话的能力，看看它能把唯一被要求的那件事做得多好。

— Olya