Amazon lança modelo de decisão de código aberto Strands Decider 2B
A Amazon Web Services lançou o Strands Decider 2B, um modelo de decisão de código aberto inspirado no Jev para fluxos de automação.
Resumo rápido
- AWS lançou o Strands Decider 2B, um modelo de decisão de código aberto inspirado no Jev, da TypeSafe.
- O modelo é baseado na estrutura do Qen3.5-2B, possui tamanho reduzido e pode ser executado localmente.
- A ferramenta auxilia fluxos de agentes de IA a escolherem entre opções pré-definidas com índices de confiança.
Entenda o contexto
Modelos de decisão são sistemas focados em escolher a melhor opção entre alternativas pré-determinadas, em vez de gerar texto do zero. Essa abordagem busca reduzir custos computacionais e o tempo de resposta em automações de inteligência artificial.
A Amazon Web Services (AWS) lançou o Strands Decider 2B, um modelo de decisão de código aberto desenvolvido para ajudar sistemas de inteligência artificial a selecionar opções pré-definidas em fluxos de trabalho automatizados. Inspirado no modelo Jev, da TypeSafe, o recurso foi disponibilizado no mesmo período em que a OpenAI apresentou uma solução similar voltada ao aceleramento de escolhas por IA.
A ferramenta é pequena o suficiente para ser executada localmente, apresenta alto desempenho de velocidade e baixo custo de operação. Em vez de gerar textos longos como os grandes modelos de linguagem tradicionais, o Strands Decider 2B atua na ordenação de alternativas preestabelecidas e entrega uma métrica que indica o grau de confiança da escolha realizada.
Origem no Strands Labs e estrutura técnica
O projeto foi idealizado por Marc Brooker, engenheiro emérito da Amazon, após realizar testes com o modelo Jev. A iniciativa começou como um projeto pessoal e alcançou brevemente o topo do ranking Jevbench para modelos do seu porte. Diante dos resultados, a equipe da empresa aprimorou o código e lançou a solução através do Strands Labs, organização voltada ao desenvolvimento de protocolos para agentes de IA.
A construção do Strands Decider foi feita com base no modelo Qen3.5-2B, aproveitando a estrutura central do grande modelo de linguagem para entregar escolhas calibradas. Segundo Brooker, a demanda surgiu a partir de diálogos com clientes da AWS, cujas rotinas automatizadas não exigiam a capacidade total nem os custos de um modelo de linguagem completo em todas as etapas.
Desafios de calibração e concorrência no setor
O nome da categoria homenageia o economista William Stanley Jevons, cuja teoria indica que a queda no custo de um recurso pode impulsionar o aumento de sua demanda. Brooker afirmou à imprensa que o principal desafio desses modelos de decisão é equilibrar a precisão e a calibração nas tarefas específicas sem prejudicar a compreensão de diferentes idiomas e o conhecimento geral do sistema.
Apesar do surgimento de diversas alternativas desenvolvidas por pesquisadores no setor, o presidente-executivo e fundador da TypeSafe, Diogo Almeida, minimizou a concorrência direta. O executivo afirmou que muitos lançamentos recentes parecem projetos de implementação técnica de arquitetura, enquanto sua equipe segue focada em aprimorar a inteligência dos modelos para torná-los úteis.
Referências
- Reportagem consultada: TechCrunch — IA
Links para conferência: não indicam endosso das fontes ao conteúdo do portal.
Gostou? Compartilhe:
Comentários 0
Ninguém comentou ainda. Seja o primeiro!


