AWS veröffentlicht Strands Decider 2B als Open Source
Amazon Web Services hat über Strands Labs das Entscheidungsmodell Strands Decider 2B veröffentlicht. Es basiert auf dem Modellkern von Qwen3.5-2B und umfasst 2 Milliarden Parameter. Statt Texte zu erzeugen, wählt es aus vorgegebenen Optionen und liefert dazu Konfidenzwerte.
Damit zielt AWS auf einen häufigen Engpass in agentischen Workflows. Viele Prozessschritte benötigen kein großes Sprachmodell, sondern lediglich eine verlässliche Entscheidung zwischen wenigen bekannten Möglichkeiten. Beispiele sind das Routing einer Anfrage, die Auswahl des nächsten Werkzeugs oder die Freigabe eines definierten Prozessschritts.
Marc Brooker, Distinguished Engineer bei Amazon, beschreibt den Zweck sinngemäß so: Das Modell soll für einen Workflow-Schritt entscheiden, was auf Basis des aktuellen Zustands als Nächstes zu tun ist.
Geschlossener Antwortraum statt freier Textausgabe
Strands Decider 2B arbeitet mit einem geschlossenen Antwortraum. Das bedeutet, dass die zulässigen Ergebnisse vorab festgelegt werden. Der ausgegebene Konfidenzwert zeigt zusätzlich, wie sicher das Modell seine Auswahl einschätzt.
Dieser Ansatz kann besser kontrollierbar sein als eine frei formulierte Antwort eines großen Sprachmodells. Brooker nennt geringere Latenz, potenziell niedrigere Kosten und eine verlässlichere Struktur als zentrale Vorteile. Konkrete Messwerte aus produktiven Umgebungen veröffentlicht AWS bislang jedoch nicht.
| Merkmal | Strands Decider 2B |
|---|---|
| Modellgröße | 2 Milliarden Parameter |
| Technische Basis | Modellkern von Qwen3.5-2B |
| Ausgabe | Auswahl aus definierten Optionen mit Konfidenzwert |
| Betrieb | Lokal möglich |
| Entwicklungskosten vergleichbarer Nischenmodelle | Laut Brooker Hunderte bis Tausende US-Dollar |
| Konkrete Hardware-Anforderungen | Nicht genannt |
Das Modell erreichte vorübergehend den Spitzenplatz im Benchmark Jevbench innerhalb seiner Größenklasse. Benchmarks ersetzen allerdings keine Prüfung mit realen Unternehmensdaten, Prozessregeln und Fehlerfällen. Auch OpenAI kündigte in derselben Woche ein ähnliches Entscheidungsmodell an.
Jev löste die neue Modellklasse aus
Das Projekt entstand, nachdem Brooker das Entscheidungsmodell Jev von TypeSafe gesehen und eine eigene Variante entwickelt hatte. Daraus wurde später ein Angebot von Strands Labs. Jev verfolgt ebenfalls das Ziel, klar begrenzte Entscheidungen günstiger als klassische große Sprachmodelle abzuwickeln.
Die Kostenidee hinter dieser Modellklasse zeigt sich auch beim Jev-Entscheidungsmodell für Klassifizierungsaufgaben. Statt jeden Prozessschritt über eine externe Frontier-API abzurechnen, lassen sich einfache Entscheidungen mit spezialisierten Modellen abdecken.
TypeSafe-CEO Diogo Almeida bewertet die wachsende Zahl ähnlicher Modelle dennoch kritisch. Er bezweifelt, dass alle Nachbauten bereits einen praktischen Mehrwert über die Demonstration ihrer Architektur hinaus bieten.
Almeida zufolge wirkt die aktuelle Welle, sinngemäß übersetzt, teilweise stärker von der Umsetzung einer interessanten Architektur getrieben als vom Ziel, maschinelle Intelligenz praktisch nutzbar zu machen.
Lokaler Betrieb reduziert API-Abhängigkeiten
Für Unternehmen im DACH-Raum ist vor allem der lokale Betrieb relevant. Sensible Workflow-Zustände müssen dadurch nicht zwangsläufig an eine US-Cloud-API übertragen werden. Das kann Datenschutzkonzepte vereinfachen, ersetzt aber keine Prüfung der Datenflüsse, Zugriffsrechte und konkreten Lizenzbedingungen.
AWS bezeichnet Strands Decider 2B als Open Source. Welche konkrete Lizenz gilt und welche Einschränkungen damit verbunden sind, geht aus den bisherigen Angaben nicht hervor. Auch zu RAM, Grafikspeicher und realer Latenz nennt das Unternehmen keine belastbaren Mindestwerte.
Wirtschaftlich liegt der wichtigste Hebel in der Aufteilung eines Agenten-Workflows. Komplexe Aufgaben können weiterhin an leistungsfähige Sprachmodelle gehen, während Routing und standardisierte Entscheidungen lokal ausgeführt werden. Einen ähnlichen Fokus auf effizientere Abläufe verfolgt das AWS Strands Agenten-Framework mit reduziertem Tokenverbrauch.
Spezialisierte Modelle statt LLM für jeden Schritt
Strands Decider 2B steht für eine pragmatische Entwicklung bei KI-Agenten. Nicht jeder Arbeitsschritt benötigt das größte verfügbare Modell und eine laufende verbrauchsabhängige Abrechnung. Kleine Entscheidungsmodelle können bestimmte Aufgaben auf eigener Infrastruktur übernehmen und damit Kosten sowie Anbieterabhängigkeiten begrenzen.
Ob das im Einzelfall funktioniert, hängt von der Qualität der vorgegebenen Optionen und der Kalibrierung der Konfidenzwerte ab. Unternehmen müssen außerdem festlegen, wann eine Entscheidung automatisch ausgeführt werden darf und wann ein größeres Modell oder ein Mensch übernehmen soll. Der geringe Entwicklungsaufwand spezialisierter Modelle deutet jedoch darauf hin, dass eigene Lösungen für klar umrissene Prozesse wirtschaftlich erreichbar werden.