AWS lanserer Strands Decider 2B: åpen beslutningsmodell som peker på svar i stedet for å skrive tekst
Amazon Web Services har sluppet en åpen kildekode-modell som fjerner tekstgenerering fra agentens beslutningsløkke helt. Strands Decider 2B, utviklet av Amazons Strands Labs og inspirert av TypeSafe Jev, scorer ferdigdefinerte svaralternativer i én fremoverpass og gir et valg med konfidenssannsynligheter – på titalls millisekunder, ifølge AWS. Slippet kom samme uke som Cloudflare lanserte Clef-modellene og OpenAI annonserte en Decisions API, og gjør en knapt tre uker gammel kategori til en etablert infrastrukturklasse.
Hva som er nytt
Strands Decider 2B er en modell på rundt 2 milliarder parametre, finjustert fra en Qwen-base fra Alibaba. Den svarer på avgrensede spørsmål – valg mellom forhåndslagte alternativer – med et svar og en sannsynlighet, alt i én fremoverpass. Ifølge VentureBeat, som fikk AWS' kunngjøring og tre tekniske diagrammer før publisering, fjernet Amazons utviklere komponenten som forutsier neste ord og erstattet den med en liten «pointer»-komponent som scorer de oppgitte svaralternativene (VentureBeat, kilde 68c25a1c).
Modellen er publisert på Hugging Face som StrandsAgents/strands-decider-2B-hobson-v19 under Apache 2.0-lisensen, noe som betyr at kommersiell bruk, modifikasjon og videredistribusjon ikke krever lisensavgifter. Den følger med pip-pakke, kommandolinjegrensesnitt og HTTP-server – men ingen administrert hostingtjeneste (MSN/syndikert, kilde 1bde2e90). Utviklingsmiljøet bak utgivelsen, Strands Labs, er Amazons organisasjon for nye verktøy og protokoller for AI-agenter (TechCrunch, kilde b67db614).
Utgivelsesdatoen oppgis litt forskjellig i dekningen: TechCrunch daterte saken til 1. oktober 2026, mens andre omtaler sier «torsdag» uten fast dato. Trygt sagt: utgitt rundt 1. oktober 2026.
Slik fungerer peker-arkitekturen
I en vanlig språkmodell genereres svaret ett token om gangen, noe som krever mange fremoverpass og gjør latens og svar i praksis uforutsigbare. Strands Decider 2B kutter hele den prosessen. Ifølge prosjektets arkitekturdokumentasjon, gjengitt i det syndikerte funnet (kilde 1bde2e90), sammenligner pekerhodet modellens skjulte tilstandsrepresentasjon av inndata mot hver kandidats final-token-representasjon via et prikkprodukt. En maskert softmax gjør tallene om til en sannsynlighetsfordeling over alternativene som ble gitt. Alt skjer i én fremoverpass.
Treningsprosessen var også minimal invasiv: pekerkomponenten ble trent via rank-16 LoRA og legger til litt over én million parametre til en Qwen-base på rundt to milliarder, ifølge AWS' opplysninger til VentureBeat (kilde 68c25a1c). Resten av modellen er uendret – det som er borte, er selve mekanismen for tekstgenerering.
Resultatet er at modellen aldri kan «dikte» et svar utenfor listen den får. Den kan bare rangere alternativene den får servert og si hvor sikker den er på hvert av dem.
Ytelsestallene – og hvorfor de må leses forsiktig
AWS sier, gjengitt av VentureBeat, at modellen treffer lokale beslutninger på titalls millisekunder på korte oppgaver, og under 100 millisekunder på noe vanlig maskinvare og noen inndata (kilde 68c25a1c). VentureBeat rapporterer også spesifikke tall fra versjon 18 av modellen: median 106 millisekunder og 95-persentil på 296 millisekunder over 230 forespørsler på et lokalt Nvidia RTX 3090-kort (kilde 68c25a1c). VentureBeat advarer selv mot å presentere dette som en generell garanti om under 100 millisekunder.
Dessuten varierer tallene på tvers av kildene: det syndikerte funnet oppgir median 115 ms for v19 på et forbruker-GPU, mens AWS separat siteres til rundt 150 ms median på en M3 MacBook. Ulike versjoner, ulik maskinvare, ulike medianer. For team som vurderer modellen, er den rimelige lesningen at beslutninger tar i størrelsesorden 100–300 ms på forbrukermaskinvare – langt raskere enn et rundturkall til en frontmodell, men ikke et ensartet sub-100 ms-løfte.
Fra hobbyprosjekt til offisiell utgivelse
Prosjektet startet som hobby hos Marc Brooker, Amazon distinguished engineer, som fikk ideen etter å ha sett TypeSafe Jev og prøvd å bygge sin egen variant (kilde b67db614). Hobbyprosjektet ble godt nok til at det en kort periode tok førsteplassen på Jevbench-rangeringen for modeller i sin størrelsesklasse – nok til at Amazons ingeniører ryddet det opp og ga det ut via Strands Labs. Merk: Jevbench-rangeringen er selvevaluert av aktørene og ikke uavhengig verifisert.
Brooker forklarer motivasjonen til TechCrunch: Denne klassen av modeller er ifølge ham «a perfect decider for a workflow step» – altså en perfekt beslutter for et arbeidsflytsteg, der agenten må velge hva den skal gjøre videre basert på hvor den er (TechCrunch, kilde b67db614). Poenget er pålitelighet: med et lukket domene av svar og en konfidensscore kan koden som kaller modellen forholde seg til sannsynligheter i stedet for fri tekst.
En kategori som krystalliserer seg på tre uker
TypeSafe AI annonserte Jev 15. september 2026 som den første kommersielle «System 1»-modellen, med typede, probabilistiske beslutninger og 70–500 ms latens – oppgitt av TypeSafe selv (kilde 2a760182). Under tre uker senere ser kategorien slik ut:
- TypeSafe Jev: kommersiell, priset til 0,042 dollar per million inntekst-tokens (The Register, kilde 158de919).
- Cloudflare Clef og Clef-flash: åpen-vekt-modeller bygget på Qwen-baser, priset til 0,24 dollar per million tokens – nesten seks ganger Jev-prisen (kilde 158de919).
- AWS Strands Decider 2B: åpen kildekode under Apache 2.0, gratis, kjøres lokalt, ingen hostingtjeneste.
- OpenAI Decisions API: annonsert på Dev Day; Sam Altman beskrev det slik: «By focusing the model on that choice, we can make it extremely fast while keeping capabilities like image understanding, broad language support, and safety protections» – ved å fokusere modellen på selve valget, kan den gjøres ekstremt rask samtidig som funksjoner som bildeforståelse, bred språkstøtte og sikkerhetsvern beholdes (TechCrunch, kilde feba5a11).
Fire aktører på under tre uker, fire ulike forretningsmodeller – hosted API, åpen vekt, åpen kildekode og frontleverandør-integrasjon. Kategorien er i ferd med å herdes til en anerkjent infrastrukturklasse for agentenes «System 1»-beslutninger: raske, avgrensede valg som ikke krever resonnering.
Motargumentene og de åpne spørsmålene
TypeSafe-sjef Diogo Almeida ser ikke de nye utgivelsene som reell konkurranse. «I get that people think it's a gold rush, but they might be underestimating the difficulty of making the models actually smart», sier han – folk kan undervurdere hvor vanskelig det er å gjøre modellene faktisk smarte (TechCrunch, kilde b67db614). Poenget er at å fjerne tekstgenerering er den enkle delen; å trene modellen til å rangere alternativene riktig og å kalibrere konfidensverdiene troverdig, er det vanskelige.
Flere ting er uavklart i dekningen. For det første er ytelses- og kalibreringsresultatene i hovedsak selvevalueringer fra AWS; det finnes ingen uavhengig reproduskjon av verken Jevbench-rangeringen eller AWS' egne målinger. For det andre er versjonsnumrene ikke helt konsistente: Hugging Face-repoet heter v19, mens VentureBeat beskriver målinger fra v18 – tallene fra ulike kilder kan derfor ikke uten videre sammenlignes. For det tredje: modellen er bare så god som alternativene den blir gitt. Den kan ikke utforske, foreslå nye veier eller forklare seg – alt den gjør, er å rangere det noen andre har definert.
Det som likevel er tydelig, er at en hovedskyleverandør nå plasserer seg i kategorien med en gratis, åpen modell i stedet for en hosted tjeneste. For team som bygger agentarbeidsflyter, betyr det at «System 1»-beslutningslaget kan settes opp lokalt uten lisenskostnad – og at konkurransepresset nå handler om kvalitet, kalibrering og verifisering, ikke pris.