AWS ने 2B पैरामीटर का डिसीज़न मॉडल (Decision Model) जारी किया, जो एक कंज्यूमर जीपीयू (GPU) पर चलता है

2026-10-01 को AWS Strands Labs (जो Amazon Web Services का हिस्सा है) ने Apache 2.0 लाइसेंस के तहत Strands Decider 2B जारी किया। Strands Decider एक छोटा "डिसीजन मॉडल (Decision Model)" है (यह सिस्टम-वन (System One) किस्म का मॉडल है, जो खुला टेक्स्ट बनाने के बजाय विकल्पों में से चुनता है), जिसे Qwen/Qwen3.5-2B-Base पर LoRA के साथ फाइन-ट्यूनिंग (Fine-tuning) करके और एक छोटा पॉइंटर हेड (Pointer Head) जोड़कर बनाया गया है। मॉडल ओपन वेट्स (Open Weights) के रूप में उपलब्ध है, और उसके साथ कोड, ट्रेनिंग स्क्रिप्ट्स/कॉन्फ़िग्स, इवैल्यूएशन डेटा (Evaluation Data) तथा डॉक्युमेंटेशन सार्वजनिक रिपॉज़िटरीज़ के ज़रिए मिलते हैं। रिलीज़ में मॉडल चेकपॉइंट (Model Checkpoint) और इस्तेमाल के औज़ार (CLI और सर्वर) दोनों शामिल हैं।

Story ID: S35
शीर्षक: AWS ने Strands Decider 2B जारी किया, जो Qwen3.5-2B पर बना Apache 2.0 ओपन-सोर्स डिसीजन मॉडल है
संगठन: Amazon Web Services (AWS) / Strands Labs
श्रेणी: छोटे मॉडल / एज (Edge) एआई / डेवलपर टूल्स (Developer Tools)
इवेंट की तारीख़: 2026-10-01
घोषणा की तारीख़: 2026-10-01
लेखों की तारीख़ें: 2026-10-01, 2026-10-02
साक्ष्य स्थिति: COMPANY CLAIM
विश्वास स्तर: मध्यम

डिस्कवरी का what_changed (लीड, तय नहीं): AWS Strands Labs ने Strands Decider 2B को Apache 2.0 के तहत जारी किया — यह लगभग 2B पैरामीटर का डिसीजन मॉडल (Decision Model) है, जिसे Qwen3.5-2B से फाइन-ट्यून किया गया है और जो गद्य के बजाय निर्णय लौटाता है; इसके साथ वेट्स (Weights), ट्रेनिंग डेटा और स्क्रिप्ट्स भी जारी किए गए हैं। Amazon के अनुसार JevBench v19 पर ~72% सटीकता और RTX 3090 पर 106 ms की मीडियन लेटेंसी (Latency) है।

डिस्कवरी का why_it_matters (लीड, तय नहीं): एक ही हफ़्ते में दो हाइपरस्केलर्स (Hyperscalers) — Cloudflare (S34) और Amazon (S35) — का डिसीजन मॉडल ओपन-सोर्स करना इस बात का सबूत है कि एजेंट कंट्रोल लूप्स (Agent Control Loops) के लिए बने विशेष छोटे मॉडल मुख्यधारा के इन्फ्रास्ट्रक्चर में पहुंच चुके हैं। एक ही कंज़्यूमर जीपीयू (GPU) पर 2B डिसीजन मॉडल चलाना लोकल/प्राइवेट वर्कफ़्लो राउटिंग (Workflow Routing) को व्यावहारिक बनाता है।

AWS ओपन-सोर्स "डिसीजन मॉडल्स (Decision Models)" के सार्वजनिक दायरे में उतरा — यानी एजेंट कंट्रोल लूप्स के लिए ढांचागत/विकल्प-चुनने वाले मॉडल — और यह एक ठोस 2B इम्प्लीमेंटेशन (Implementation) के साथ आया, जिसके साथ प्रकाशित ट्रेनिंग/इवैल एसेट्स (Training/Eval Assets) और अनुमतिदायक (Permissive) लाइसेंस भी हैं। मॉडल को ऐसे पेश किया गया है कि वह गद्य के बजाय निर्णय (विकल्प/स्कोर) लौटाता है, और हर जवाब के साथ कैलिब्रेटेड कॉन्फ़िडेंस स्कोर (Calibrated Confidence Score) देता है।

पहले: एजेंट लूप्स में निर्णय लेने का तर्क अक्सर बड़े एलएलएम (Large Language Model, LLM) संभालते थे, जो टेक्स्ट बनाते और फिर उसे पार्स (Parse) किया जाता था, या फिर पारंपरिक क्लासिफ़ायर (Classifier) जिनके लिए अलग से ट्रेनिंग चाहिए होती थी; खुले, हल्के डिसीजन मॉडल एक उभरती श्रेणी थे जिनकी हाइपरस्केलर्स की ओर से सार्वजनिक उपलब्धता सीमित थी।

बदलाव: AWS Strands Labs ने Strands Decider 2B (Apache 2.0) को वेट्स, ट्रेनिंग डेटा/स्क्रिप्ट्स/कॉन्फ़िग्स, इवैल्यूएशन आर्टिफ़ैक्ट्स (Evaluation Artifacts) और डॉक्युमेंटेशन के साथ जारी किया, और JevBench v19 पर परफ़ॉर्मेंस मेट्रिक्स (Performance Metrics) बताए।

बाद में: Qwen3.5-2B से फाइन-ट्यून किया गया 2B का Apache-2.0 डिसीजन मॉडल लोकल/एज इस्तेमाल के लिए सार्वजनिक रूप से उपलब्ध है, जिससे डेवलपर्स एजेंट राउटिंग/ट्रायाज (Routing/Triage)/गेटिंग (Gating) के कुछ निर्णय एक छोटे, तेज़ मॉडल पर डाल सकते हैं जो कॉन्फ़िडेंस के साथ ढांचागत निर्णय लौटाता है।

Strands Decider एक डिकोडर एलएलएम (Decoder LLM) टोर्सो (Torso) इस्तेमाल करता है (Qwen3.5-2B-Base), जिसका लैंग्वेज मॉडलिंग हेड (Language Modeling Head) हटा दिया गया है और उसकी जगह एक छोटा पॉइंटर हेड (Pointer Head, ~1M पैरामीटर) लगाया गया है। टोर्सो पर rank-16 का LoRA एडाप्टर (Adapter) लगाया जाता है; हेड fp32 में चलता है। किसी दिए गए स्टेट (State) और सवाल के विकल्पों के लिए यह हर विकल्प को स्कोर करता है (एक फ़ॉरवर्ड पास (Forward Pass), कोई जनरेशन/डिकोडिंग लूप नहीं) और चुना गया विकल्प/स्कोर कॉन्फ़िडेंस के साथ लौटाता है। मॉडल एक ही तंत्र से तीन किस्म के सवाल संभालता है: noul (हां/नहीं), choice (N में से एक चुनें), और score (क्रमबद्ध रूब्रिक स्कोरिंग (Ordered Rubric Scoring))। यह व्यापक इकोसिस्टम में Qwen3.5-2B-Base के विज़न सपोर्ट (Vision Support) की वजह से मूल रूप से मल्टीमॉडल-सक्षम (Multimodal-capable) है (विज़न के इस्तेमाल का ज़िक्र डॉक्स में है), और इसे इस तरह डिज़ाइन किया गया है कि एक ही स्टेट से जुड़े कई सवाल एक ही पास कॉन्टेक्स्ट (Context) में कुशलता से जवाब पा सकें। (आर्किटेक्चर GitHub रिपॉज़िटरी/डॉक्स में बताया गया है; वेट्स और कोड प्रकाशित हैं।)

यह रिलीज़ उस व्यापक पैटर्न का हिस्सा है जिसमें हाइपरस्केलर्स एजेंट कंट्रोल लूप्स के लिए छोटे, विशेष मॉडल ओपन-सोर्स कर रहे हैं। उसी हफ़्ते S34 (Cloudflare Clef/Clef-flash) के साथ मिलाकर यह संकेत देता है कि डिसीजन-मॉडल आर्किटेक्चर (Decision-model Architecture) मुख्यधारा के इन्फ्रास्ट्रक्चर में दाख़िल हो रहे हैं। 2B पैरामीटर का मॉडल जो कंज़्यूमर जीपीयू (GPU) पर अच्छी तरह चलता है, नियामकीय (Regulated)/एज परिनियोजनों (Deployments) के लिए लोकल/प्राइवेट वर्कफ़्लो राउटिंग को व्यावहारिक बनाता है।

• लोकल/प्राइवेट निर्णय-प्रक्रिया: एक ही कंज़्यूमर जीपीयू (जैसे RTX 3090) पर 2B डिसीजन मॉडल चलाना ऑन-डिवाइस (On-device)/एज राउटिंग/गेटिंग को संभव बनाता है, बिना संवेदनशील स्टेट रिमोट एलएलएम (Remote LLM) को भेजे।
• रटे-रटाए निर्णयों के लिए कम लागत/लेटेंसी: "सिस्टम वन" (System One) निर्णयों को "सिस्टम टू" (System Two) रीज़निंग से अलग रखें; साधारण ट्रायाज/टूल-चुनाव (Tool Selection) छोटे मॉडल को दें और जटिल रीज़निंग के लिए बड़े एलएलएम बचाकर रखें।
• पारदर्शी/पुनरुत्पादनीय रिसर्च (Reproducible Research): Apache 2.0 वेट्स के साथ ट्रेनिंग स्क्रिप्ट्स/कॉन्फ़िग्स/डेटा इन्वेंटरी (Data Inventory) और इवैल्यूएशन आर्टिफ़ैक्ट्स पुनरुत्पादन और कम्युनिटी इटरेशन (Community Iteration) को संभव बनाते हैं।

• आर्किटेक्चर में बदलाव: यह दिखाता है कि छोटे मॉडल में ढांचागत निर्णय-प्रक्रिया (विकल्प चुनना/स्कोर करना) के लिए एलएम हेड (LM Head) की जगह पॉइंटर हेड (Pointer Head) लगाना व्यावहारिक है।
• बेस मॉडल (Base Model): Qwen/Qwen3.5-2B-Base (2B पैरामीटर वाला बेस) पर बना, LoRA से फाइन-ट्यून किया गया; हेड ~1M पैरामीटर का।
• लाइसेंस बंटवारे की बारीकी: वेट्स Apache 2.0 हैं। ट्रेनिंग डेटा/स्क्रिप्ट्स/कॉन्फ़िग्स भी रिपॉज़िटरी के हिस्से के रूप में जारी किए गए हैं; उपयोगकर्ताओं को रिपॉज़िटरी की डेटा इन्वेंटरी में सूचीबद्ध विशिष्ट ट्रेनिंग डेटा स्रोतों की सटीक लाइसेंस शर्तें ख़ुद जांचनी चाहिए (यह ध्यान रखते हुए कि सामान्य तौर पर ट्रेनिंग डेटा का लाइसेंस मॉडल वेट्स से अलग हो सकता है)।
• परफ़ॉर्मेंस (कंपनी के दावे): JevBench v19 पर ~72% सटीकता और RTX 3090 पर 106 ms मीडियन लेटेंसी बताई गई है (जैसा रिलीज़ सामग्री में कहा गया है)। ये AWS के दावे हैं और इन्हें स्वतंत्र रूप से दोहराए जाने तक COMPANY CLAIM माना जाना चाहिए।
• दक्षता: कंज़्यूमर हार्डवेयर (Consumer Hardware) पर कम लेटेंसी के लिए डिज़ाइन किया गया; एक ही स्टेट पर कई सवाल कुशलता से जवाब पा सकते हैं।

• निर्णय कार्यों के लिए सीधा विकल्प: CLI (strands-decider ask) और HTTP सर्वर (strands-decider serve) तेज़ प्रयोग की सुविधा देते हैं; Python एपीआई (API) पैकेज के ज़रिए उपलब्ध है।
• एजेंट इंटीग्रेशन (Agent Integration): Strands Agents SDK वर्कफ़्लो के लिए स्वाभाविक फ़िट (राउटिंग/टूल चुनाव/आर्ग्युमेंट जांच/गार्डरेल्स (Guardrails)/ट्रायाज/इवैल्यूएशन)।
• पुनरुत्पादनीय ट्रेनिंग: ट्रेनिंग रेसिपी, कॉन्फ़िग्स, डेटा हैश/स्टेज टाइमिंग्स (Data Hashes/Stage Timings) और इवैल्यूएशन स्क्रिप्ट्स प्रकाशित हैं, जिससे प्रयोग/फाइन-ट्यूनिंग की दहलीज़ घटती है।
• मल्टीमॉडैलिटी (Multimodality): बेस मॉडल विज़न-सक्षम है; सर्वर/CLI इस्तेमाल के लिए विज़न सपोर्ट प्रलेखित है।

• लागत नियंत्रण: रोज़मर्रा के निर्णय 2B मॉडल पर डालने से सभी निर्णयों के लिए फ्रंटियर एलएलएम (Frontier LLM) इस्तेमाल करने की तुलना में टोकन/लागत घट सकती है।
• निजता/अनुपालन: कंज़्यूमर/एज हार्डवेयर पर लोकल इन्फरेंस (Local Inference) संवेदनशील स्टेट के डेटा एक्सपोज़र (Data Exposure) को घटाता है।
• ओपन-सोर्स गवर्नेंस (Open-source Governance): Apache 2.0 लाइसेंस मॉडल वेट्स पर कॉपीलेफ्ट (Copyleft) जटिलताओं के बिना व्यावसायिक इस्तेमाल की अनुमति देता है; एंटरप्राइज़ को ट्रेनिंग डेटा लाइसेंस की ऑडिट (Audit) करनी चाहिए अगर वे पुनर्वितरण या डेरिवेटिव (Derivatives) की ट्रेनिंग कर रहे हों।
• इन्फ्रास्ट्रक्चर विविधीकरण: हाइपरस्केलर-समर्थित खुले डिसीजन मॉडल स्वामित्व वाले (Proprietary) तरीक़ों के विकल्प देते हैं।

• प्रतिस्पर्धी पैटर्न: दो हाइपरस्केलर्स (Cloudflare S34, AWS S35) का एक ही हफ़्ते में खुले डिसीजन मॉडल जारी करना दिखाता है कि एजेंट कंट्रोल लूप्स के लिए बने विशेष "सिस्टम वन" मॉडल मुख्यधारा के इन्फ्रास्ट्रक्चर के रूप में एकजुट हो रहे हैं।
• इकोसिस्टम में स्थान: AWS एजेंटिक वर्कफ़्लो (Agentic Workflows) के इर्द-गिर्द अपने ओपन-सोर्स एआई टूलिंग (Open-source AI Tooling, Strands इकोसिस्टम) को मज़बूत करता है और बड़े मॉडलों के लिए एक हल्का पूरक देता है।
• मोट बनाम खुलापन (Moats vs. Openness): वेट्स+ट्रेनिंग एसेट्स जारी करना इकोसिस्टम अपनाने में निवेश का संकेत है, न कि केवल बंद एपीआई का।

• बेंचमार्क ओवरफ़िटिंग (Benchmark Overfitting): बताया गया JevBench v19 परफ़ॉर्मेंस कंपनी का दावा है; वास्तविक दुनिया का परफ़ॉर्मेंस डोमेन/कार्यों के हिसाब से अलग हो सकता है।
• ट्रेनिंग डेटा की प्रोवेनेंस (Data Provenance): डेटा इन्वेंटरी प्रकाशित होने के बावजूद डेरिवेटिव ट्रेनिंग या व्यावसायिक पुनर्वितरण के लिए लाइसेंस/अनुपालन की गहन समीक्षा ज़रूरी है।
• इवैल्यूएशन का दायरा: JevBench एक ही बेंचमार्क है; रिलीज़ के समय स्वतंत्र सत्यापन सीमित है।
• हैलुसिनेशन बनाम निर्णय त्रुटियां (Hallucination vs. Decision Errors): डिसीजन मॉडल कॉन्फ़िडेंस के साथ ढांचागत विकल्प लौटाते हैं; प्रोडक्शन में ग़लत कैलिब्रेशन (Miscalibration) उचित गार्डरेल्स के बिना ग़लत राउटिंग/गेटिंग करा सकता है।

• स्वतंत्र पुनरुत्पादन: रिसर्च विंडो (Research Window) में बताए गए सटीकता/लेटेंसी आंकड़ों का कोई पीयर-रिव्यूड (Peer-reviewed) स्वतंत्र पुनरुत्पादन नहीं मिला; इसे COMPANY CLAIM मानें।
• डोमेन जनरलाइज़ेशन (Domain Generalization): डोमेन-विशिष्ट एंटरप्राइज़ कार्यों (JevBench से आगे) पर परफ़ॉर्मेंस स्वतंत्र रूप से सत्यापित नहीं है।
• मल्टीमॉडल दावे: बेस मॉडल में विज़न क्षमताएं मौजूद हैं; विज़न के विशिष्ट परफ़ॉर्मेंस आंकड़े टेक्स्ट निर्णय परफ़ॉर्मेंस की तुलना में कम प्रमुखता से बताए गए हैं।

• वास्तविक एंटरप्राइज़ एजेंट राउटिंग कार्यों पर Strands Decider 2B, JevBench की तुलना में कैसा प्रदर्शन करता है?
• क्या ट्रेनिंग डेटा का मिश्रण नियामकीय डोमेन में प्रोडक्शन ट्रायाज/राउटिंग के लिए सर्वोत्तम है?
• प्रोडक्शन में डिस्ट्रिब्यूशन शिफ़्ट (Distribution Shift) के तहत कैलिब्रेशन कैसे टिकता है?
• Cloudflare Clef/Clef-flash (S34) की तुलना में कैलिब्रेशन/सटीकता/लेटेंसी विशेषताओं में क्या बड़े अंतर हैं?

असर: एजेंटिक वर्कफ़्लो बनाने वाली एआई इंजीनियरिंग टीमों पर सीधा असर (टूल चुनाव, राउटिंग, गेटिंग)।
सुझाया गया क़दम: राउटिंग/ट्रायाज उपयोग-मामलों के लिए Strands Decider 2B को ग़ैर-प्रोडक्शन सैंडबॉक्स (Sandbox) में आंकें; एलएलएम-आधारित क्लासिफ़िकेशन से और जहां लागू हो वहां S34 से तुलना करें। आंतरिक कार्यों पर लेटेंसी/लागत/सटीकता दर्ज करें।

असर: ऑन-प्रेम (On-prem)/एज इन्फरेंस और लागत-अनुकूलन रणनीतियों (Cost-optimization Strategies) पर विचार करने वाली प्लेटफ़ॉर्म/इन्फ्रास्ट्रक्चर टीमों पर असर।
सुझाया गया क़दम: सीमित वातावरणों में लोकल इन्फरेंस की व्यवहार्यता आंकें; आंतरिक परिनियोजन के लिए ट्रेनिंग डेटा और मॉडल वेट्स के लाइसेंस/अनुपालन का मूल्यांकन करें।

असर: "सिस्टम वन" डिसीजन मॉडल्स के मानक इन्फ्रास्ट्रक्चर बनने का व्यापक उद्योग-संकेत; स्वामित्व वाले तरीक़ों पर प्रतिस्पर्धी दबाव।
सुझाया गया क़दम: इकोसिस्टम अपनाने, स्वतंत्र बेंचमार्क्स और मिलते-जुलते मॉडलों (S34) के साथ एकजुटता पर नज़र रखें; एआई आर्किटेक्चर रणनीति पर पड़ने वाले असर पर विचार करें।

• लागत में कमी: उच्च-मात्रा वाले रोज़मर्रा के निर्णयों (ट्रायाज, राउटिंग, क्लासिफ़िकेशन गेटिंग) के लिए एलएलएम कॉल्स को 2B डिसीजन मॉडल से बदलें।
• लेटेंसी-संवेदनशील वर्कफ़्लो: 200 ms से कम के निर्णय बड़े मॉडलों पर रुके बिना रीयल-टाइम एजेंट इंटरैक्शन (Real-time Agent Interactions) संभव बनाते हैं।
• निजता-प्राथमिक परिनियोजन: नियामकीय उद्योगों (हेल्थकेयर, वित्त, कानूनी) के लिए ऑन-डिवाइस इन्फरेंस, जहां डेटा परिसर से बाहर नहीं जा सकता।
• हाइब्रिड एजेंट आर्किटेक्चर: जटिलता के आधार पर निर्णय उपयुक्त मॉडल आकार को भेजकर लागत/गुणवत्ता अनुकूलित करें।

NO-LAB
कारण: यह पहले से जारी एक ओपन-सोर्स मॉडल है जिसके वेट्स, कोड, ट्रेनिंग स्क्रिप्ट्स और CLI/सर्वर औज़ार सार्वजनिक हैं। सार्थक प्रैक्टिकल सत्यापन के लिए मॉडल डाउनलोड करके चलाना पड़ेगा (एनवायरनमेंट सेटअप, इन्फरेंस परीक्षण), जो संभव है, लेकिन निर्देश कहता है कि अगर सार्थक प्रैक्टिकल अभ्यास उचित न हो तो NO-LAB लिखें; समय/संसाधन की सीमाओं और इस तथ्य को देखते हुए कि मुख्य आर्टिफ़ैक्ट्स प्रकाशित हैं, इस रिसर्च आर्टिफ़ैक्ट के लिए संरचित कोड निरीक्षण/परीक्षण ज़रूरी नहीं है। मुख्य तकनीकी तथ्य प्रकाशित रिपॉज़ और डॉक्स से सत्यापन-योग्य हैं। (एक त्वरित स्मोक टेस्ट (Smoke Test) अलग से किया जा सकता है, लेकिन यहां ज़रूरी नहीं है।)

1. कम्युनिटी अपनाना: डेवलपर्स इसे Strands Agents SDK और दूसरे एजेंट फ़्रेमवर्क्स में जोड़ेंगे; कम्युनिटी बेंचमार्क्स सामने आ सकते हैं।
2. स्वतंत्र मूल्यांकन: तीसरे पक्ष JevBench नतीजों को दोहरा सकते हैं और अतिरिक्त डोमेन पर मूल्यांकन कर सकते हैं।
3. इकोसिस्टम एकजुटता: Cloudflare Clef/Clef-flash (S34) के साथ तुलना से व्यापार-समझौतों (आकार, लेटेंसी, कैलिब्रेशन, कॉन्टेक्स्ट) पर स्पष्टता आएगी।
4. चरणबद्ध सुधार: कम्युनिटी फ़ीडबैक और अतिरिक्त ट्रेनिंग डेटा के आधार पर मॉडल वेरिएंट/फाइन-ट्यून्स सामने आ सकते हैं।

AWS का Strands Decider 2B जारी करना इस दिशा में एक ठोस क़दम है कि विशेष "डिसीजन मॉडल (Decision Model)" एजेंटिक एआई (Agentic AI) में मानक इन्फ्रास्ट्रक्चर बन जाएं। Qwen3.5-2B पर बना, Apache 2.0 लाइसेंस और प्रकाशित ट्रेनिंग/इवैल एसेट्स के साथ, यह 2B पैमाने पर लोकल, तेज़, ढांचागत निर्णय-प्रक्रिया संभव बनाता है। उसी हफ़्ते Cloudflare की मिलती-जुलती रिलीज़ के साथ मिलाकर यह संकेत देता है कि उद्योग एजेंट लूप्स को हल्के डिसीजन मॉडल्स और बड़े रीज़निंग मॉडल्स के बीच बांटने पर एकजुट हो रहा है। बताया गया परफ़ॉर्मेंस (JevBench v19 पर ~72%, RTX 3090 पर ~106ms) एक COMPANY CLAIM है जो स्वतंत्र सत्यापन का इंतज़ार करता है; आर्किटेक्चरल दृष्टिकोण और खुलापन ज़्यादा टिकाऊ संकेत हैं।