Amazon lanza Strands Decider 2B, rival open source de Jev

Amazon contraataca con un clon open source de Jev

Amazon Web Services lanzó este 1 de octubre Strands Decider 2B, un modelo open source de 2.000 millones de parámetros diseñado para tomar decisiones rápidas dentro de flujos de agentes de IA, sin generar texto. El lanzamiento, reportado por TechCrunch, ocurre la misma semana en que OpenAI presentó una oferta similar y apenas dos semanas después de que la startup TypeSafe AI pusiera en el mapa una categoría que ya tiene nombre propio: los modelos de decisión, también llamados modelos «System One«.

La jugada de AWS tiene una ironía productiva: la categoría no existía hasta que un ex-investigador de OpenAI decidió que el futuro de los agentes no pasaba por hacer modelos más grandes, sino por hacerlos más baratos y rápidos. La propia AWS reconoce que su ingenieros se inspiraron en Jev, el modelo de TypeSafe, antes de construir su propia versión desde el equipo Strands Labs.

Qué es Strands Decider 2B y por qué importa

Un modelo de decisión (o System One Model) no responde preguntas con párrafos: en lugar de generar texto token a token como un LLM tradicional, recibe un conjunto cerrado de opciones predefinidas y devuelve la elección más probable junto con un puntaje de confianza. Esto elimina el coste y la latencia asociados a producir texto, y hace que el modelo pueda correr en hardware modesto con latencias inferiores a 100 milisegundos.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

En concreto, según reporta Crypto Briefing, Strands Decider 2B está construido sobre el modelo base Qwen3.5-2B de Alibaba, con un «pointer head» de aproximadamente 1 millón de parámetros y un ajuste fino con un adaptador LoRA de rango 16. El modelo:

Corre en menos de 100 ms en hardware común, incluyendo una NVIDIA RTX 3090, según datos publicados por AWS y recogidos por Crypto Briefing.
Obtuvo una puntuación perfecta en el nivel fácil de JevBench, el benchmark de referencia para esta categoría.
Se posiciona en segundo lugar entre los modelos públicos de alrededor de 2.000 millones de parámetros, y primero entre los que publican su receta de entrenamiento completa.
Está disponible en Hugging Face y el código de entrenamiento en GitHub, con licencia open source.

La motivación detrás del proyecto la contó Marc Brooker, ingeniero distinguido de AWS, a TechCrunch: muchos clientes de AWS tenían flujos agenticos donde no siempre se justificaba pagar la latencia y el coste de un LLM grande. «Lo que originalmente me llamó la atención de esta clase de modelos es que son un decisor perfecto para un paso de workflow: ¿cuál es la siguiente cosa que debo hacer aquí, en función de dónde estoy?», explicó.

El propio modelo de Brooker, nacido como un proyecto personal, llegó brevemente al primer puesto de Jevbench en su categoría de tamaño. Eso fue suficiente para que el equipo de Strands Labs lo limpiara, lo iterara hasta la versión 20 y lo lanzara como producto oficial.

La guerra de los modelos de decisión apenas empieza

El movimiento de AWS no es aislado. La nota de TechCrunch subraya que docenas de modelos similares han sido producidos por investigadores desde que TypeSafe debutó con Jev, y que OpenAI anunció una oferta similar la misma semana. Para Brooker, el reto será optimizar la velocidad sin comprometer la inteligencia: «Hay un equilibrio muy cuidado entre empujar el rendimiento en exactitud y calibración, sin degradar su capacidad de entender distintos idiomas o mantener el tipo de conocimiento que lo hace de propósito general».

El propio CEO de TypeSafe, Diogo Almeida, mantiene la calma ante la competencia. «Entiendo que la gente piense que es una fiebre del oro, pero pueden estar subestimando la dificultad de hacer que estos modelos sean realmente inteligentes», dijo a TechCrunch. Almeida es ex-investigador de OpenAI y codescubridor de RLHF (la técnica que dio origen a ChatGPT), fundó TypeSafe junto a Erik Gafni, Sasha Sheng y otros, y cerró en septiembre una ronda seed de US$40M liderada por DCVC.

Mientras tanto, AWS mueve ficha con la escala que le da ser el mayor hyperscaler occidental: en el primer trimestre de 2026 facturó US$37.600M, un 28% más interanual, según reportó CRN. Strands Decider 2B se integra naturalmente con Strands Agents, el toolkit open source de AWS para construir agentes de producción, que incluye el SDK Strands Harness, el entorno de ejecución aislado Strands Shell y el SDK de evaluación Strands Evals.

Qué significa esto para tu startup

La narrativa de «el modelo más grande gana» está cambiando para casos concretos. Los modelos de decisión no reemplazan a un LLM frontier: lo descargan de trabajo repetitivo y barato. Para un founder técnico, eso se traduce en costes de inferencia por agente que pueden caer varios órdenes de magnitud en tareas específicas como clasificación, enrutamiento, validación o selección de herramientas.

Tres acciones concretas que puedes evaluar esta semana:

Mapea los «System 1» de tu agente. Recorre el grafo de llamadas de tu agente e identifica los nodos donde siempre se elige entre un menú cerrado de opciones (siguiente herramienta, enrutamiento, validación de seguridad, clasificación de tickets). Esos nodos son candidatos naturales a un modelo de decisión.
Prototipa con Strands Decider 2B antes de pagar. Como es open source y corre en una RTX 3090 en menos de 100 ms, puedes medir latencia y coste de inferencia en tu propio hardware sin abrir una cuenta cloud. Compara con tu LLM actual en el mismo nodo.
Usa el puntaje de confianza como branch determinista. El verdadero valor no es solo velocidad: con un puntaje calibrado, puedes escribir lógica tipo if confidence > 0.95 ejecutar automático, si no escalar a humano o LLM grande. Eso convierte IA probabilística en infraestructura testeable.

Si tu agente hoy gasta la mayor parte de sus tokens en responder «cuál es el siguiente paso» en lugar de hacerlo, esta capa de modelos de decisión es probablemente el siguiente salto de eficiencia en tu stack. Estás a tiempo de adoptarlo antes de que se vuelva commodity.

Conclusión

Strands Decider 2B confirma que los modelos de decisión no fueron una moda de TypeSafe: ya son una categoría con producto de AWS, movimiento paralelo de OpenAI y docenas de proyectos open source. Para founders construyendo agentes, el mensaje de fondo es claro: el cuello de botella de coste y latencia en producción se está moviendo del modelo grande al modelo correcto para cada paso del workflow. Quien rediseñe sus agentes con esa lógica en mente verá la factura de inferencia caer antes de que termine el trimestre.