跳到主要內容
2026-10-30 日報
模型發布

亞馬遜雲端科技開源 Strands Decider 2B 決策模型與 Strands Box 智能體沙箱:決策延遲約 115 毫秒,但並發與冷啟動仍待解決

AI 前線單一來源
核實資料不足

目前依單一來源整理,這是來源數量描述,不是對消息真假的判定。

本次未取得足夠原文證據

亞馬遜雲端科技(AWS)推出兩個面向 AI 智能體的開源項目:Strands Decider 2B 是用於智能體工作流決策的小型模型,Strands Box 則是控制智能體執行的沙箱,目前處於開發者預覽階段。 Strands Decider 2B 擁有 20 億參數,從預定義選項中選擇,而非生成冗長文字,可用於模型路由、工具選擇、分類、護欄與上下文管理,並回傳決策結果與置信度分數。模型以 Qwen3.5-2B 為基礎,將語言模型頭換成為候選答案評分的指針頭,並以 rank-16 LoRA 適配器微調。權重、訓練資料與腳本均已公開,可在本地執行與修改。據官方介紹,決策延遲中位數在 NVIDIA RTX 3090 上約為 115 毫秒,在 Apple M3 MacBook 處理小型任務時約為 153 毫秒;使用 JevBench 於 231 項公開任務測試,v19 檢查點準確率為 72.3%。開發者可安裝 strands-decider 套件、使用命令列介面,或將模型整合至 Strands 智能體。 Strands Box 結合作業系統層級隔離與 Dogwood(用於定義智能體可執行操作的開源策略語言),支援 Shell 指令、Python 執行、MCP 工具、檔案系統操作與網路存取。其隔離機制由核心強制執行,並將智能體互動導向策略層,可依操作內容與執行歷史允許或拒絕行為,例如要求測試通過後才能推送程式碼,或限制外部 API 呼叫頻率。官方表示,控制邏輯運行於語言模型之外,可降低執行邊界對提示詞指令的依賴,且可搭配不同模型與智能體框架,無論部署於本地或雲端。 在競品方面,TypeSafe AI 的 Jev 同樣是用於結構化決策、支援分類、路由與工具選擇並提供置信度的模型,兩者主要差異在部署方式:Strands Decider 2B 為開源可本地執行,Jev 則透過託管 API 提供。報導指出,AWS 公布的 JevBench 結果並不足以證明 Strands Decider 在效能上直接優於 Jev。另外,基於容器的沙箱、Firecracker microVM 與託管式智能體執行環境也能處理類似問題;傳統沙箱多限制檔案系統、行程與網路,而 Strands Box 額外加入依工具參數與歷史操作的策略判斷。 早期開發者回饋關注小型決策模型整合到智能體工作流的實際限制。AWS Community Builder Yuuki Yamashita 在一篇實作教學中指出,Strands Decider 2B 可阻止智能體呼叫不受支援的天氣工具。另有 GitHub 討論提到並發請求、Apple Silicon 相容性與冷啟動延遲等問題,開發者在用於生產環境前可能需要評估。AI Builder Dipen Vaja 在 X 上則舉例,可設定智能體讀取客戶檔案後禁止發起外傳 HTTP 請求的規則。
讀原始報導

背景

Dogwood 是一門用來定義 AI 智能體可執行哪些操作的策略語言,官方文件涵蓋其語法、時間性運算式、資訊提供者、結構定義,以及用於評估策略的 Rust API。Strands Box 的 GitHub 專案說明它可作為 Rust 函式庫使用,開發者可透過 strands-box 套件在呼叫程序內直接執行沙箱。

來源