Strands Decider 2B de AWS: modelo de decisión abierto a prueba

👁 113 lecturas

Strands Decider 2B es un modelo de decisión abierto desarrollado por AWS: en lugar de generar texto continuo, elige una respuesta de una lista proporcionada y devuelve un nivel de certeza exacto. Cuenta con 2000 millones de parámetros, licencia Apache-2.0, y AWS ha publicado no solo los pesos, sino también los datos de entrenamiento y los scripts. Lo he ejecutado en una RTX 4090: ha ocupado 3,8 GB de VRAM y ha clasificado incidencias de clientes en polaco asignándolas a sus departamentos sin fallos en 135 ms. Encontrarás un análisis más amplio y una comparativa con Cloudflare Clef en la guía Modelos de decisión de IA.

Qué es Strands Decider 2B

El modelo fue publicado el 1 de octubre de 2026 por el equipo de Strands Labs en AWS (firmado por Marc Brooker, Mike Chambers y Fabio Nonato de Paula). Su denominación proviene de Strands Agents, el entorno de trabajo abierto de AWS diseñado para construir agentes. Sus puntos clave son:

• Base: Qwen3.5-2B-Base. AWS retiró el cabezal lingüístico y añadió un cabezal de puntero (pointer head) de poco más de un millón de parámetros, el cual evalúa el estado oculto en la posición de cada opción.
• Ajuste fino: adaptador LoRA de rango 16. En Hugging Face está disponible el punto de control StrandsAgents/strands-decider-2B-hobson-v19; el adaptador pesa 67 MB y el modelo base se descarga automáticamente en la primera ejecución (en mi caso ocupó 4,3 GB).
• Licencia: Apache-2.0 para el modelo, el código y la receta de entrenamiento; la base Qwen3.5-2B-Base utiliza igualmente Apache-2.0.
• Apertura: en el repositorio strands-labs/strands-decider se incluyen los scripts de entrenamiento, una lista de 29 conjuntos de datos públicos (entre ellos BANKING77, CLINC, AG News y HotpotQA) y los resultados brutos de la evaluación.
• Instalación: el comando pip install strands-decider proporciona tanto una utilidad de terminal como un servidor HTTP.
• API: compatible con el formato System One, el mismo que emplean Jev de TypeSafe, Cloudflare Clef y Kev.

Cómo formular las consultas

Al igual que otros modelos de decisión, Strands Decider recibe un estado de entrada y preguntas tipificadas bajo tres formatos:

El número de opciones no tiene un límite fijo, ya que las etiquetas se proporcionan en la propia petición en vez de estar predefinidas en la arquitectura. La inferencia se realiza en una sola pasada directa por la red neuronal, prescindiendo del bucle autorregresivo. El estado base se computa una única vez y las preguntas adicionales se calculan sobre una copia en caché, por lo que añadir preguntas apenas incrementa el tiempo de respuesta.

Resultados según AWS

• JevBench (231 tareas públicas): 167 aciertos (72,3%). AWS detalla que esto supone el tercer puesto entre 33 modelos de la categoría 2B, y el primer puesto entre 30 si se excluyen modelos con un tamaño ligeramente superior a 2B.
• Tareas sencillas de JevBench: 100% de aciertos.
• Latencia: mediana de unos 115 ms en una RTX 3090 y unos 153 ms en un MacBook con chip M3.
• Conjuntos internos: osciló entre un 64,1% (tareas breves, 6000 muestras) y un 89,8% (detección de preguntas sin respuesta en MuSiQue).

AWS documenta con transparencia las limitaciones técnicas. El modelo rinde notablemente por debajo de modelos de razonamiento complejos ante problemas intrincados, y no sirve para programar, mantener conversaciones de chat ni elaborar resúmenes. La tarjeta del modelo advierte además de que «lee la pregunta con menor atención que el documento de contexto»: manteniendo el mismo estado y opciones, cambiar la redacción de la pregunta a menudo no altera la elección, por lo que es necesario formular preguntas directas y sin ambigüedades.

Prueba con incidencias reales

Para la evaluación utilicé un conjunto de 30 mensajes habituales en tiendas online o empresas de software: 5 ejemplos por departamento (pagos, envíos, devoluciones, cuenta, averías y ventas). La prueba se realizó con textos redactados en polaco, algunos sin caracteres diacríticos y con erratas leves. A cada mensaje se le aplicaron dos consultas: el departamento correspondiente y si requería resolución durante el mismo día. El hardware empleado fue una RTX 4090, con Windows 11 y PyTorch 2.11.

• Consumo de memoria: 3,8 GB de VRAM en pico; tiempo de carga inicial de 16 s.
• Departamento: pleno de aciertos en polaco. El único error en inglés surgió en una solicitud de cambio de plan a mitad del periodo de facturación, clasificada como pagos en lugar de ventas (un caso que confundió a casi todos los modelos analizados).
• Urgencia en polaco: se detectó una calibración desajustada. La probabilidad afirmativa para 6 incidencias críticas osciló entre 0,22 y 0,47; ninguna rebasó el umbral estándar de 0,5, por lo que el sistema no marcó ninguna como urgente por defecto. Sin embargo, el orden relativo fue correcto: ajustando el umbral a 0,4, el acierto subió a 26/30.
• Certeza por departamento: mediana de 0,86 y un mínimo de 0,31. Como referencia, el modelo Clef-flash, de mayor tamaño, registró una mediana de 0,97.

En el mismo equipo, Gemma 4 12B ejecutado en Ollama con esquema JSON estricto también logró 30/30, pero requirió 413 ms, mientras que Llama 3.1 8B tardó 173 ms con 25/30 aciertos. La comparativa exhaustiva con ocho modelos está disponible en la guía de modelos de decisión.

Strands Decider frente a Cloudflare Clef

Recomiendo optar por Strands Decider si necesitas desplegar en ordenadores portátiles, servidores modestos sin tarjetas gráficas potentes o CPUs estándar, y cuando sea prioritario reentrenar sobre etiquetas propias siguiendo la metodología abierta. Clef-flash encaja mejor si dispones de tarjetas con 24 GB de memoria o buscas una API gestionada con soporte multimodal. Analizo el lanzamiento de Clef en un artículo independiente.

Cómo ponerlo en marcha en tres pasos

1. Instala PyTorch (con aceleración CUDA si utilizas hardware NVIDIA) y ejecuta pip install strands-decider. Esta librería requiere transformers 5.15 o superior.
2. Ejecuta una consulta directa desde la consola (traducción al español del comando probado originalmente en polaco):

   strands-decider ask StrandsAgents/strands-decider-2B-hobson-v19 \
     --state "El repartidor dejó el paquete en la puerta del vecino y ahora no está" \
     --choice "¿Qué departamento?=pagos,envios,devolucion,cuenta" \
     --noul "¿Está enfadado el cliente?"

3. Inicia el servidor local: strands-decider serve StrandsAgents/strands-decider-2B-hobson-v19 --port 8000 y dirige las peticiones al punto de enlace /v1/systemone.

En entornos Windows, la biblioteca transformers mostrará avisos indicando la falta de los paquetes flash-linear-attention y causal-conv1d. La arquitectura opera sin ellos (la latencia de 135 ms se registró en estas condiciones), aunque con menor velocidad máxima. El servidor integrado escucha exclusivamente en 127.0.0.1 y carece de autenticación nativa, por lo que conviene añadir una capa de seguridad antes de exponerlo a la red. Presento una implementación completa con umbrales y desvío a operadores en la guía sobre enrutamiento de incidencias.

Fuentes

• Strands Agents: Introducing Strands Decider 2B (01/10/2026)
• Ficha del modelo en Hugging Face
• Código fuente en GitHub
• Prueba en hardware propio: 05/10/2026, RTX 4090.

Preguntas frecuentes

¿Cuánta memoria GPU consume Strands Decider 2B y cuál es su velocidad?

El modelo ocupa 3,8 GB de VRAM en tarjeta gráfica. En las pruebas realizadas sobre una RTX 4090 con incidencias redactadas en polaco, la mediana de tiempo de respuesta fue de 135 ms. Según las mediciones publicadas por AWS, la latencia media ronda los 115 ms en una RTX 3090 y los 153 ms en un MacBook con procesador M3.

¿Bajo qué licencia se distribuye Strands Decider 2B y qué componentes incluye?

Se publica íntegramente bajo licencia Apache-2.0, cubriendo pesos, código fuente y receta de entrenamiento. AWS ha puesto a disposición en el repositorio strands-labs/strands-decider los scripts, un catálogo de 29 conjuntos de datos públicos y los datos brutos de la evaluación.

¿Cuál fue la precisión de Strands Decider 2B en la prueba de clasificación de incidencias?

En el test compuesto por 30 mensajes en polaco repartidos en seis departamentos, clasificó las áreas con una precisión de 30 sobre 30. En la detección de urgencia, con el umbral estándar de 0,5 no identificó ninguna como urgente debido a un sesgo de calibración, pero ajustando dicho umbral a 0,4 el índice de acierto alcanzó 26 sobre 30.

// sigue leyendoModelos de decisión de IA: Decision IndexHerramientas de IAWan 3.0 a prueba: el modelo de vídeo con IA que crea clips con audioHerramientas de IALTX Video local: modelo abierto en tu GPU con medicionesRevista

Kinetyra