Amazon Web Services представила Strands Decider 2B — открытую модель для принятия решений, вдохновленную Jev от TypeSafe. Это небольшая, быстрая и дешевая альтернатива полнофункциональным LLM для задач, где нужно выбрать один из предзаданных вариантов и оценить уверенность выбора. Модель запущена на той же неделе, когда OpenAI анонсировала похожий инструмент — признак того, что спрос на такой класс моделей растет.
Идея исходила от инженера Amazon Марка Брукера, который экспериментировал с собственной версией Jev. Его домашний проект получился настолько удачным, что ненадолго занял первое место в рейтинге Jevbench. После этого команда Amazon доработала решение и выпустила его через Strands Labs — подразделение, занимающееся инструментами для развертывания ИИ-агентов. Модель работает на основе Qwen3.5-2B и может функционировать локально без облачных сервисов.
Потребность в таких инструментах возникла из общения с клиентами AWS, чьи агентские рабочие процессы не всегда требуют полной мощности LLM на каждом шаге. Брукер объясняет: для выбора следующего действия в рабочем потоке достаточно более простой модели, которая даст калибровочные оценки уверенности и работает быстрее при ниже стоимости обработки. Это особенно важно для структурированных, замкнутых на предзаданные ответы сценариев, где надежность критична.
TypeSafe назвал свою модель Jev в честь экономиста Уильяма Стэнли Джевонса — в надежде апеллировать к его теории о том, что снижение стоимости ресурса обычно увеличивает спрос на него. С момента запуска Jev десятки исследователей и компаний создали собственные версии — это указывает на реальный интерес, но одновременно ставит вопрос о том, насколько ценны такие модели на переполненном рынке. Сам Брукер указывает на сложность балансирования: нужно улучшать скорость и точность решений без потери общих знаний и многоязычности, которые делают модель полезной для разных сценариев.
Основатель TypeSafe Диого Алмейда скептичен по отношению к нарастающей конкуренции. Он считает, что текущий наплыв подобных моделей — это скорее попытки ML-инженеров реализовать интересную архитектуру, чем серьезные проекты, нацеленные на создание действительно полезной системы. TypeSafe сосредоточена на совершенствовании собственных моделей и пока не видит настоящих конкурентов, готовых инвестировать в глубокое развитие этого направления.
На практике развитие рынка decision models может быть не таким драматичным, как выглядит на первый взгляд. Сама идея крайне проста — это по сути классификация с уверенностью, — и реальная сложность лежит в оптимизации для конкретных рабочих потоков и в понимании, когда такая модель действительно дешевле и надежнее, чем простой условный оператор или небольшой обученный классификатор. Без этого понимания волна подобных моделей превращается в очередное решение в поиске проблемы.
Для русского бизнеса это особенно актуально в контексте автоматизации customer-facing процессов — маршрутизация обращений, выбор следующего шага в рабочем процессе, классификация документов. Например, в решениях для автоматизации контента и бизнес-процессов можно использовать такие компактные модели вместо полнофункциональных LLM на этапах, где нужно просто выбрать, какой шаблон применить или куда направить задачу. Это снижает латентность и стоимость. Важно только честно оценивать, действительно ли это дешевле и надежнее, чем existing решение, или это просто следование тренду.