亚马逊网络服务（Amazon Web Services）发布了一款受 TypeSafe 的 Jev 启发的开源决策模型。随着 AI 开发者越来越希望获得更适合计算机自动化、而非前沿大语言模型（LLM）的智能，这类模型正越来越受关注。

亚马逊的 Strands Decider 2B 与 OpenAI 宣布类似产品的同一周发布，是一种高速、低成本的方式，可在预先设定的选项之间进行选择，并给出其对所选结果有多大把握的衡量。该模型完全开源，现已可用，而且体积足够小，可以本地运行。

亚马逊杰出工程师 Marc Brooker 在看到 Jev 后萌生了这个项目，并尝试打造自己的版本。这个自制项目相当成功——它曾短暂登上同类模型的 Jevbench 排行榜榜首——于是亚马逊工程师对其进行了整理，并将其作为 Strands Labs 的一项产品发布。Strands Labs 是一个开发用于部署 AI 代理的新工具和协议的组织。

Brooker 表示，这类工具的需求来自与 AWS 客户的交流，因为他们的代理式工作流并不总是需要功能完整的大语言模型，也不总是需要承担相应成本。

“我最初对这类模型感兴趣，是因为它们非常适合作为工作流中的一个决策步骤——‘基于我现在所处的位置，我下一步该做什么？’”Brooker 告诉 TechCrunch。他说，这类模型能为客户提供“一个可以以更可靠方式构建的工作流步骤，因为它有置信度评分，因为它的答案空间是封闭的，[而且]延迟更低，潜在成本也更低”。

与其他决策模型一样，Strands Decider 基于一个 LLM 的“躯干”构建，这里使用的是 Qen3.5-2B，但它不是生成文本，而是输出经过校准的选择。TypeSafe 将其模型命名为 Jev，取自经济学家 William Stanley Jevons，希望借此呼应他的理论：某种东西——比如计算智能——的成本下降，实际上会增加其需求。

自 TypeSafe 首次提出这一想法以来，研究人员已经做出了数十个类似模型，这一事实显示出广泛兴趣，但也引出了这些模型究竟能创造多大价值的问题。Brooker 认为，挑战在于在不削弱模型智能的前提下，优化其快速决策能力。

“必须非常谨慎地找到一个平衡点：你既希望提升它在这类任务上的准确性和校准能力，又不能削弱它理解不同语言的能力，不能削弱它所拥有的那种知识，而正是这些让它具备通用性，变得有趣且有用，”他告诉 TechCrunch。

不过，他并不一定认为前沿实验室会主导这一领域，尤其是因为在较小的市场中，做出有意思产品的成本可能只需几百或几千美元。

另一方面，TypeSafe 高管表示，他们会继续低调推进，并改进未来的模型。

“我理解人们会觉得这是一场淘金热，但他们可能低估了把模型真正做得聪明有多难，”首席执行官兼创始人 Diogo Almeida 告诉 TechCrunch，并表示目前他还没有看到公司面临真正的竞争。

“目前这一批更像是 ML 从业者想实现一种很酷的架构，而不是一支真正致力于让智能变得有用的团队。”