آمازون با معرفی مدل متن‌باز و دو میلیارد پارامتری Strands Decider 2B، رسماً وارد رقابت ساخت مدل‌های تصمیم‌گیرنده هوش مصنوعی شد.
این مدل که حدود دو هفته پس از مدل موفق Jev (محصول شرکت TypeSafe AI) عرضه شده، به‌جای تولید متن، وظیفه دارد در کسری از ثانیه از میان گزینه‌های ازپیش‌تعریف‌شده یکی را انتخاب کند.
ایده اصلی استرندز دسایدر بسیار ساده و کاربردی است: وقتی یک برنامه فقط می‌خواهد بداند “آیا این ابزار باید اجرا شود؟” یا “کدام مسیر برای این درخواست مناسب‌تر است؟”، استفاده از مدل‌های زبانی بزرگ برای تولید پاسخ‌های متنی طولانی، زمان و هزینه اضافی به همراه دارد.
مدل جدید آمازون با ارزیابی مستقیم گزینه‌ها و ارائه احتمال موفقیت هرکدام، به‌عنوان یک ایستگاه کنترل سریع در فرایند کاری عامل‌های هوشمند عمل می‌کند و پردازش‌های پیچیده‌تر و تولید متن را به مدل‌های مولد می‌سپارد.
معماری سبک و متن‌باز
این مدل بر پایه Qwen3.5-2B توسعه یافته است. تیم AWS با حذف بخش پیش‌بینی کلمه بعدی از مدل پایه، یک مؤلفه یک میلیون پارامتری به نام پوینتر را جایگزین آن کرده است که وظیفه امتیازدهی به گزینه‌ها را بر عهده دارد. این معماری که آمازون آن را هابسن می‌نامد، با استفاده از تکنیک LoRA (با رتبه ۱۶) ارتقا یافته است و برخلاف چت‌بات‌ها نیازی به تولید متن ندارد؛ بلکه با یک بار اجرا، توزیع احتمال گزینه‌های موجود را برمی‌گرداند.
یکی از مهم‌ترین نقاط قوت استرندز دسایدر، متن‌باز بودن آن است. این مدل با مجوز Apache 2.0 به‌صورت رایگان منتشر شده و آمازون قصد دارد در نسخه ۲۰، تمام کدهای برنامه، داده‌های آموزشی و اسکریپت‌ها را در اختیار توسعه‌دهندگان قرار دهد.
این شفافیت به سازمان‌ها اجازه می‌دهد مدل را کاملاً روی زیرساخت‌های خود تنظیم و اجرا کنند، بدون اینکه برای هر تصمیم به یک API خارجی وابسته باشند.
سرعت بالا، اما وابسته به سخت‌افزار
بر اساس آزمایش‌های آمازون، این مدل می‌تواند تصمیم‌های محلی را برای وظایف کوتاه در ده‌ها میلی‌ثانیه بگیرد. برای مثال، روی پردازنده گرافیکی انویدیا RTX 3090، میانگین میانه زمان پاسخگویی حدود ۱۰۶ میلی‌ثانیه (شامل رفت‌وبرگشت شبکه) و روی مک‌بوک مجهز به تراشه M3 حدود ۱۵۰ میلی‌ثانیه ثبت شده است.
از نظر دقت، نسخه ۱۹ این مدل در بنچمارک عمومی JevBench به دقت ۷۲ درصدی و امتیاز Brier ۰.۳۵ دست یافته است. اگرچه در این بنچمارک، مدل تقریباً هم‌اندازه Mapika decider-2b عملکرد بهتری (دقت ۷۶ درصد و امتیاز ۰.۳۲) ثبت کرده است، اما آمازون ادعا می‌کند مدلش در میان مدل‌های متن‌بازی که دستورالعمل کامل آموزش خود را منتشر کرده‌اند، رتبه نخست را دارد. با این حال، به دلیل غیبت مدل Jev در این ارزیابی خاص، هنوز نمی‌توان گفت استرندز دسایدر از رقیب اصلی خود دقیق‌تر است.
نبرد هزینه‌ها: آیا استرندز واقعاً ارزان‌تر از Jev است؟
با اینکه مدل آمازون برای دانلود کاملاً رایگان است، اما اجرای آن نیازمند تأمین سخت‌افزار یا منابع ابری است که هزینه‌های خاص خود را دارد. در مقابل، مدل Jev به‌عنوان یک API آماده، برای هر یک میلیارد توکن ورودی تنها ۴۲ دلار (۰.۰۴۲ دلار به ازای هر یک میلیون توکن) هزینه دریافت می‌کند و خروجی آن نیز رایگان است. بنابراین، انتخاب بین این دو به زیرساخت‌های فعلی سازمان‌ها بستگی دارد.
با ورود مدل‌های جدیدی مثل Laya، Kev و Bespoke Nimble 9B، بازار مدل‌های تصمیم‌گیرنده با سرعت بالایی در حال رشد است. Strands Decider شاید روی کاغذ یک قاتل Jev نباشد، اما متن‌باز بودن، قابلیت اجرای محلی برای حفظ حریم خصوصی، امکان سفارشی‌سازی و ادغام آسان در اکوسیستم Strands، آن را به گزینه‌ای ایده‌آل برای سازمان‌هایی تبدیل کرده است که می‌‌خواهند کنترل کاملی روی داده‌ها و تصمیم‌گیری عامل‌های هوشمند خود داشته باشند.
