Strands detalha o Decider 2B, modelo open source de decisão para uso local
A Strands detalha o Decider 2B, um modelo open source de 2 bilhões de parâmetros para decisões locais em CPU ou GPU. Ele não gera texto; escolhe entre opções pré-definidas e devolve uma pontuação de confiança.
A Strands detalhou o Strands Decider 2B, um modelo de decisão open source de 2 bilhões de parâmetros feito para rodar localmente em CPU ou GPU. A empresa disse que o modelo serve para experimentação rápida, desenvolvimento local e inovação em IA agentic.
Segundo a Strands, modelos desse tipo escolhem entre opções pré-definidas, em vez de gerar texto livre. Isso traz respostas sempre dentro das alternativas dadas, baixa latência e notas simples de confiança. Em contrapartida, o modelo fica pior em problemas complexos e não serve para codificação, chatbots, resumo de documentos e outras tarefas comuns de LLMs.
O Decider 2B usa como base o Qwen3.5-2B, com a cabeça de geração de texto removida e trocada por uma cabeça de pontuação. A Strands informou que a versão liberada é a v19, depois de várias iterações, e disse que o modelo teve desempenho competitivo em precisão e calibração no JevBench. Em latência local, a mediana ficou em cerca de 115 ms em hardware comum, e em um M3 MacBook ficou em torno de 153 ms para tarefas pequenas.
A empresa liberou o código no GitHub, os pesos no Hugging Face, além dos dados de treinamento e dos scripts usados para construir o modelo.
O que muda para você
Para quem desenvolve agentes e fluxos automatizados, o Decider 2B abre uma opção local para classificações, seleção de ferramentas, avaliações, guardrails, memória e classificação de políticas. Ele também pode entrar em fluxos híbridos, combinando LLMs para decisões difíceis e o decider para decisões rotineiras. Para quem não trabalha com isso, nada muda de imediato.
Minha leitura
A mensagem aqui é bem clara: nem toda decisão precisa de um LLM grande. Quando a escolha é entre poucas opções, o ganho vem de rapidez, confiança e custo menor, não de texto bonito. O limite também é claro. Se a tarefa exige gerar linguagem ou resolver algo mais aberto, esse modelo não serve. Eu olharia para ele como peça de infraestrutura, não como substituto geral de modelo generativo.
Thiago FelizolaConsultor de IA, curador do Diário da IA
