AWS Strands Labs ha publicado Strands Decider 2B v19, un modelo abierto de 1.900 millones de parámetros que devuelve una opción, una probabilidad de sí o no o una puntuación. No genera texto: está diseñado para resolver decisiones acotadas sin pedir a un modelo generativo que redacte una explicación.
Un modelo que elige, pero no se pone a charlar
Un modelo de lenguaje puede redactar una respuesta, resumir un documento o proponer una lista de la compra, pero también puede ofrecer una contestación convincente que no resulte útil. Strands Decider pertenece a otra categoría: los llamados modelos de decisión o System One. Recibe un estado —por ejemplo, un mensaje del usuario y el contexto disponible— y una pregunta con respuestas definidas. Después escoge una.
El proyecto admite tres tipos de consulta. Choice selecciona una opción entre varias; noul estima una probabilidad de sí o no, expresada entre 0 y 1; y score asigna un nivel dentro de una escala ordenada. Las respuestas se limitan al conjunto permitido e incluyen una confianza asociada. Así se evita depender de instrucciones como “responde únicamente con A, B o C” y de que el modelo las obedezca.
TypeSafe AI lanzó Jev el mes anterior, lo que ayudó a dar nombre y visibilidad a esta clase de herramienta. Strands Decider busca ofrecerla en un formato ejecutable por cuenta propia, en un ordenador, una GPU de consumo o un Mac con Apple Silicon. Los pesos están disponibles en Hugging Face bajo Apache-2.0; el paquete de Python, strands-decider, incluye una interfaz de línea de comandos y un servidor HTTP.
El equipo reconoce que el modelo queda por debajo de los modelos de razonamiento en problemas complejos. No está pensado para programar, conversar o resumir documentos, sino para decisiones repetitivas y delimitadas en las que importa más controlar la salida que obtener una respuesta elocuente. En una tarea abierta, no es la herramienta adecuada.
¿Qué gana al quitarle la capacidad de escribir?
La arquitectura explica por qué el modelo puede responder rápido. Strands parte de Qwen3.5-2B-Base, pero descarta su cabeza de modelado del lenguaje, encargada de predecir el siguiente token y sostener la generación de texto. En su lugar añade una cabeza de tipo pointer de alrededor de un millón de parámetros, que compara el estado oculto de la pregunta con el estado oculto asociado al último token de cada opción disponible.
El modelo procesa el contexto y puntúa las alternativas, en vez de generar una secuencia de palabras. El resultado se obtiene en una sola pasada hacia delante, sin un bucle que vaya escribiendo token tras token. Para una decisión con tres opciones, el sistema las compara y devuelve una.
El cuerpo del modelo utiliza un LoRA de rango 16 y la cabeza opera en fp32. Las etiquetas se envían con cada solicitud, por lo que el modelo no está limitado a una lista fija de categorías. Se pueden definir opciones específicas para cada problema, algo útil para enrutamiento, clasificación o selección de herramientas. Según Strands, cuando se hacen varias preguntas sobre el mismo texto, el estado se lee una vez y cada pregunta adicional añade únicamente sus propios tokens. Así se evita repetir el procesamiento del contexto en cada consulta.
El método depende de que las opciones estén bien planteadas. Si son ambiguas, incompletas o no representan el problema, el modelo tendrá que elegir entre alternativas deficientes. Un selector no sustituye el criterio de quien formula la pregunta; definir las opciones adecuadas sigue siendo parte del trabajo.
115 milisegundos: una cifra útil, con letra pequeña
Strands informa de una latencia mediana de 115 ms en una RTX 3090, con un percentil 95 de 299 ms. En un Mac M3 Pro, la mediana en caliente fue de 153 ms para solicitudes por debajo de 300 tokens. Son cifras que pueden resultar atractivas para un componente dentro del ciclo de un agente, especialmente frente a una llamada a un servicio alojado para escoger entre dos acciones sencillas.
Las cifras no se pueden comparar directamente con las de cualquier otro producto: influyen el hardware, el tamaño de la entrada, el sistema de medición y el arnés de pruebas. El dato de Jev, por ejemplo, se presenta como un rango de 70 a 500 ms comunicado por el proveedor; no es una comparación controlada con la RTX 3090 de Strands.
En JevBench v1 público, Strands Decider v19 logró una precisión de 0,723: 167 tareas correctas de 231. Su puntuación Brier fue de 0,342 y el error de calibración esperado, o ECE, de 0,052. Por dificultad, obtuvo 1,000 en tareas fáciles, 0,875 en las estándar y 0,505 en las difíciles. En estas últimas, el rendimiento se acerca al azar, aunque depende de cómo se distribuyan las respuestas.
En la clasificación v1.4.2 del 25 de septiembre, v19 ocupó el tercer puesto entre 33 modelos de la clase 2B. Al excluir tres modelos ligeramente por encima de los 2.000 millones de parámetros, pasó al primer puesto entre 30. El proyecto señala, sin embargo, que Mapika decider-2b v11 consiguió 175 aciertos de 231 en el arnés de Strands, ocho más que v19. Decider tampoco aparecía todavía en la clasificación compuesta v1.5.4, por lo que el puesto depende de la clasificación consultada.
La confianza es más interesante que el puesto en la tabla
En una automatización, además de acertar, importa saber cuándo el modelo no debería decidir por su cuenta. Strands destaca la calibración como uno de los aspectos prácticos del proyecto: en tareas breves de clasificación que no había visto, las respuestas con confianza de 0,9 o más fueron correctas alrededor del 95 % de las veces. El equipo recomienda confirmar o escalar las respuestas por debajo de ese umbral.
Por ejemplo, una clasificación con confianza alta podría enviarse automáticamente a la cola correspondiente; una con confianza baja, a revisión humana o a un modelo más capaz. Este esquema permite reservar la intervención humana para los casos menos claros.
El enfoque también puede encajar en agentes híbridos: un modelo generativo interpreta una petición compleja, mientras Decider resuelve decisiones rutinarias, como qué herramienta usar, si una acción supera una comprobación o a qué equipo enviar un caso. La idea es repartir el trabajo en lugar de usar un modelo grande para cada comprobación trivial.
Una confianza de 0,9 no implica una probabilidad de acierto del 90 % en cualquier situación. El dato citado corresponde a tareas cortas de clasificación no vistas por el modelo; aplicarlo a otro dominio, con etiquetas raras o consecuencias serias, exige evaluarlo de nuevo. La calibración puede ayudar, pero no elimina las limitaciones que refleja la precisión de 0,723 en el benchmark público.
Un agente meteorológico y una pregunta incómoda
El repositorio incluye un ejemplo con un agente de Strands que controla las llamadas a una herramienta meteorológica mediante una intervención before_tool_call. Antes de consultar el tiempo, Decider responde a dos preguntas de sí o no: si los argumentos están respaldados por lo que dijo el usuario y si es demasiado pronto para llamar a la herramienta.
Si el usuario no indicó dónde está y el sistema completa ese dato por su cuenta, la comprobación puede detener la llamada y devolver la conversación al usuario con una pregunta sobre la ciudad. Es una barrera frente a un fallo habitual en agentes: tratar una suposición plausible como un dato confirmado.
El equipo también menciona selección de herramientas, comprobación de argumentos, triaje, guardarraíles, evaluaciones y enrutamiento entre modelos. En una demostración de línea de comandos, la petición “¡Ayuda! Mis pagos llevan tres días fallando” se clasifica entre facturación, ventas y devoluciones. Gana facturación con una confianza de 0,768, por debajo del umbral de 0,9 que el equipo recomienda para aceptar una salida sin confirmación; en una aplicación seria, habría que escalarla.
Estos casos muestran tareas pequeñas, medibles y relativamente fáciles de auditar. Si el modelo se equivoca al decidir si una llamada está justificada, se puede revisar esa comprobación concreta en lugar de analizar una respuesta extensa generada por un asistente.
Abierto para ejecutar; no necesariamente listo para producción
Que los pesos y el código sean abiertos facilita probar el modelo, modificarlo y alojarlo en infraestructura propia. Strands publica los pesos bajo Apache-2.0 y ofrece instalación mediante pip install strands-decider. Por ahora no hay un proveedor de inferencia alojada que lo sirva como API administrada. El alojamiento propio permite mantener los datos dentro del entorno de cada equipo, pero también exige ocuparse del despliegue, la capacidad, las actualizaciones y la supervisión.
El servidor HTTP incluido escucha en 127.0.0.1 y no incorpora autenticación. Esa configuración sirve para desarrollo local, pero no para exponerlo directamente en producción. Si se abre a una red, hace falta anteponer una capa de autenticación propia y revisar los controles de acceso.
El lanzamiento incluye la receta de entrenamiento y una lista de datos, información útil para evaluar el proyecto además de descargar los pesos. En el material comparativo, Jev aparece como una API alojada y cerrada; decider-2b y Decision 2B figuran como alternativas con código o pesos disponibles. Sus tamaños y bases difieren, y las latencias no se midieron en las mismas condiciones, por lo que la comparación depende de la aplicación.
Strands Decider 2B ofrece una pieza pequeña, autocontenida y de propósito limitado para decisiones repetitivas dentro de un agente. Su rendimiento no es infalible, la calibración no elimina la necesidad de evaluarlo y la instalación local requiere configurar la seguridad. Está orientado a escoger entre opciones bien definidas, no a resolver tareas abiertas.
