Amazonが「Strands Decider 2B」をオープンソースで公開

2026年10月1日、Amazon Web Services（AWS）は、TypeSafeの「Jev」に触発された新たなオープンソースの意思決定モデル「Strands Decider 2B」を発表しました（TechCrunch）。これは、AI開発者がフロンティアLLM（大規模言語モデル）よりもコンピュータによる自動化に適したインテリジェンスを求める声に応えるものです。

Strands Decider 2Bは、高速かつ低コストで事前に決定された選択肢の中から最適なものを判断し、その選択に対する確信度を提示するモデルです。

モデルは完全にオープンソースとして提供され、現在すぐに利用可能です。特筆すべきはそのサイズで、ローカル環境でも実行できるほど軽量に設計されています。この発表は、OpenAIが同様の提供を開始した週に行われ、意思決定モデルへの関心の高まりを示唆しています。

なぜ今、意思決定モデルが注目されるのか

このプロジェクトは、Amazonの傑出したエンジニアであるMarc Brooker氏が、TypeSafeのJevに触発されて自身のモデルを構築しようとしたことから始まりました。この自家製プロジェクトが十分に成功したため、Amazonのエンジニアチームがそれを洗練させ、AIエージェントの新たなツールとプロトコルを開発する「Strands Labs」からリリースするに至りました（TechCrunch）。

Brooker氏は、AWSの顧客との対話の中で、このようなツールの必要性を感じたと言います。AIエージェントを活用したワークフローが、常にフル機能のLLMの能力やコストを必要としないケースが多かったためです。彼は「この種のモデルに最初に興味を抱いたのは、ワークフローのステップにとって完璧なデサイダーになる点です。『現在の状況に基づいて、次に行うべきことは何か？』」と述べています（TechCrunch）。

TypeSafe AIの創設者であるDiogo Almeida氏は、Jevを経済学者のウィリアム・スタンレー・ジェヴォンズにちなんで名付けました。コンピュータのインテリジェンスのようなもののコストが低下することで、かえってその需要が増加するという彼の理論を喚起したいという狙いがあります（InfoQ）。

Strands Deciderの技術的特徴と課題

Strands Deciderは、他の意思決定モデルと同様に、LLMの「トルソ（胴体）」をベースに構築されています。具体的には、Qwen3.5-2Bを基盤としていますが、テキストを生成する代わりに、調整された選択肢を提供します（TechCrunch）。これにより、以下のような利点が生まれるとBrooker氏は説明しています。

  • 信頼性の向上: 確信度スコアと閉鎖的な回答ドメインにより、より信頼性の高いワークフローを実現します。
  • 低レイテンシー: テキスト生成が不要なため、応答速度が向上します。
  • コスト削減: フル機能LLMよりも運用コストを抑えることが可能です。
特徴 Strands Decider 2B 汎用LLM（例: GPT-4）
目的 構造化された意思決定 テキスト生成、多機能
コスト 低 高
レイテンシー 低 高
出力 選択肢と確信度 テキスト
動作環境 ローカル実行可能 主にクラウドサービス利用

一方で、この種のモデルの課題は、そのインテリジェンスを損なうことなく、高速な意思決定性能を最適化することだとBrooker氏は指摘しています（TechCrunch）。様々な言語の理解や汎用的な知識を維持しつつ、精度と確信度のパフォーマンスを高めるのは繊細なバランスが求められる作業です。

エンジニア目線で見ると：エージェントの「頭脳」を使い分ける重要性

このStrands Decider 2Bのリリースは、AIエージェントを構築するエンジニアにとってかなり衝撃的なニュースです。フロンティアLLMが万能ではないことを認識し、ワークフローの特定ステップで最適なツールを選択するという流れが加速していると感じます。

現在の私の個人プロダクトでも、LLMをバックエンドで活用していますが、全ての判断をLLMに委ねることでコストとレイテンシーが課題になる場面があります。例えば、ユーザーからの問い合わせに対して、事前に用意された選択肢の中から最適な応答を選ぶようなケースでは、Strands Deciderのような意思決定モデルが非常に有効ではないでしょうか。回答の確信度をユーザーに提示できるのは、ユーザー体験の向上にもつながる可能性があります。

また、Qwen3.5-2Bをベースにしている点も、個人的には好感が持てます。既存のオープンソースLLMと連携しやすいのではないでしょうか。

ローカルで動作する小型モデルであるため、エッジデバイスでの利用や、クラウドコストを極力抑えたいスタートアップにとって、非常に魅力的な選択肢になると考えます。Pythonバインディングがあれば、既存のスクリプトに組み込んで試してみたいですね。

ただし、どのようなデータで学習されているか、特定のドメインにおける性能はどうかといった検証は必須だと感じます。特に、セキュリティや重要度の高い意思決定に組み込む場合は、そのモデルの限界と特性をしっかりと理解する必要があるでしょう。